NET Core 实现简单爬虫—抓取博文列表

来源：晓晨Master

cnblogs.com/stulzq/p/7474334.html

一、介绍一个Http请求框架HttpCode.Core

HttpCode.Core 源自于HttpCode，不同的是 HttpCode.Core是基于.net standard 2.0实现的，移除了HttpCode与Windows相耦合的API，且修改了异步实现，其余特性完全与HttpCode相同，大家 如果在使用中有什么问题可以查看在线文档。

HttpCode.Core完全开源，已传到github，地址：https://github.com/stulzq/HttpCode.Core

为了方便大家使用，也传到了nuget，地址：https://www.nuget.org/packages/HttpCode.Core/，在nuget中搜索 HttpCode.Core 或执行命令 Install-Package HttpCode.Core 就可以使用了。

具体的使用方法大家可以查阅在线文档，或者查看github。

简单、易用、高效 一个有态度的开源.Net Http请求框架!

二、分析抓取地址

首先使用谷歌浏览器的开发者工具，抓取博客园首页获取博文列表的地址：

从中我们可以分析出：

1、 请求地址 https://www.cnblogs.com/mvc/AggSite/PostList.aspx

2、请求方式 Post

3、请求数据

{

"CategoryType":"SiteHome",

"ParentCategoryId":0,

"CategoryId":808,

"PageIndex":3,

"TotalPostCount":4000,

"ItemListActionName":"PostList"

}

请求数据中，我们应当关心的是 PageIndex 代表的是 页数，我们可通过变换这个参数的值来获取不同页面的数据。

我们先使用HttpCode.Core来试一试获取数据：

int pageIndex = 1;//页数

HttpHelpers httpHelpers=new HttpHelpers();

HttpItems items=new HttpItems();

items.Url = "https://www.cnblogs.com/mvc/AggSite/PostList.aspx";//请求地址

items.Method = "Post";//请求方式 post

items.Postdata = "{\"CategoryType\":\"SiteHome\"," +

"\"ParentCategoryId\":0," +

"\"CategoryId\":808," +

"\"PageIndex\":"+ pageIndex + "," +

"\"TotalPostCount\":4000," +

"\"ItemListActionName\":\"PostList\"}";//请求数据

HttpResults hr = httpHelpers.GetHtml(items);

Console.WriteLine(hr.Html);

Console.ReadKey();

运行截图：

可以看到我们已经成功获取了数据，证明我们的分析是正确的。

三、解析返回的数据

刚刚我们测试接口返回的数据可以看出返回的是一堆html字符串。我们只想要博文的标题、作者、博文地址等等信息，我们不需要多余的html字符串，下面我们使用 HtmlAgilityPack 这个解析网页的组件来获得我们想要的数据。

关于这个组件的使用，博客园已经有不少介绍此组件的文档，大家可以搜索查看，使用此组件需具备xpath相关知识，我就不在此详细叙述了。

1、首先通过nuget安装 HtmlAgilityPack 组件

打开程序包控制台

执行命令 Install-Package HtmlAgilityPack -Version 1.5.2-beta6

2、解析返回的数据

贴一下返回的部分数据：

4

关于跨平台的一些认识

前段时间看了 周志明的那本 《深入理解java虚拟机》。对于 平台无关性 问题，有了一些新的认识。所以特写一篇博客来进行总结。 这是我的第一篇不针对具体技术，而只针对计算机系统和原理的博客文章，而这种话题，总是比较宽泛，而我本人的水平有限，所以我也只能泛泛的写写，思考的不对的地方，还望读者不吝批评。 ...eleven_yw

发布于 2017-09-03 22:12

评论(2)阅读(210)

0

2017年9月3日 实现网站的权限管理

现在各个企业管理网站对登录的账号都要进行权限管理，并且相当重要，每个账号登录进去所能看到的东西大不相同，下面是实现该功能的一个的一种方法。 需求： 权限：权限是使用者操作系统中功能模块的能力，如“角色管理”模块、“资费管 理”模块和“账单管理”模块等。通过指定权限，可将使用者的操作限定在指定的 范围 ...Loseheart

发布于 2017-09-03 21:34

评论(0)阅读(354)

从中我们不难看出每一个数据是以class=post_item的div来进行区分的，我们想要的博文地址、标题等是在这个div里面的class=post_item_body的div里面，以此类推我们可以分析出：

博文标题

|

| h3 | a | Text

博文地址

|

| h3 | a | href

..以此类推

因为HtmlAgilityPack是通过xpath来解析网页的，所以现在我们要根据我们上面分析出的路径来写xpath，这里不明白xpath的可以去w3cschool学习一下，非常简单。

下面是我写好的解析博文标题、地址和作者的代码，抓取其他信息可以自己参考试一试：

//解析数据

HtmlDocument doc=new HtmlDocument();

//加载html

doc.LoadHtml(hr.Html);

//获取 class=post_item_body 的div列表

HtmlNodeCollection itemNodes = doc.DocumentNode.SelectNodes("div[@class='post_item']/div[@class='post_item_body']");

//循环根据每个div解析我们想要的数据

foreach (var item in itemNodes)

{

//获取包含博文标题和地址的 a 标签

var nodeA = item.SelectSingleNode("h3/a");

//获取博文标题

string title = nodeA.InnerText;

//获取博文地址 a标签的 href 属性

string url = nodeA.GetAttributeValue("href", "");

//获取包含作者名字的 a 标签

var nodeAuthor = item.SelectSingleNode("div[@class='post_item_foot']/a[@class='lightblue']");

string author = nodeAuthor.InnerText;

Console.WriteLine($"标题： | 作者： | 地址：");

}

运行截图：

四、循环抓取多个分页

前面我们分析出请求参数中的 PageIndex 是页数，分析单个页面的代码我们也写出来来，那么我们可以通过循环递增页数，来达到抓取不同分页数据的要求。

贴一下完整的代码

int pageIndex = 1;//页数

int maxPageIndex = 10;//最大页数

HttpHelpers httpHelpers=new HttpHelpers();

for (int i = 0; i

{

HttpItems items = new HttpItems();

items.Url = "https://www.cnblogs.com/mvc/AggSite/PostList.aspx";//请求地址

items.Method = "Post";//请求方式 post

items.Postdata = "{\"CategoryType\":\"SiteHome\"," +

"\"ParentCategoryId\":0," +

"\"CategoryId\":808," +

"\"PageIndex\":" + (i+1) + "," + //因为i从0开始 所以此处我们要加1

"\"TotalPostCount\":4000," +

"\"ItemListActionName\":\"PostList\"}";//请求数据

HttpResults hr = httpHelpers.GetHtml(items);

//解析数据

HtmlDocument doc = new HtmlDocument();

//加载html

doc.LoadHtml(hr.Html);

//获取 class=post_item_body 的div列表

HtmlNodeCollection itemNodes = doc.DocumentNode.SelectNodes("div[@class='post_item']/div[@class='post_item_body']");

Console.WriteLine($"第页数据：");

//循环根据每个div解析我们想要的数据

foreach (var item in itemNodes)

{

//获取包含博文标题和地址的 a 标签

var nodeA = item.SelectSingleNode("h3/a");

//获取博文标题

string title = nodeA.InnerText;

//获取博文地址 a标签的 href 属性

string url = nodeA.GetAttributeValue("href", "");

//获取包含作者名字的 a 标签

var nodeAuthor = item.SelectSingleNode("div[@class='post_item_foot']/a[@class='lightblue']");

string author = nodeAuthor.InnerText;

//输出数据

Console.WriteLine($"标题： | 作者： | 地址：");

}

//每抓取一页数据 暂停三秒

Thread.Sleep(3000);

}

Console.ReadKey();

运行截图：

一个简单的.net core实现的简单爬虫就此完成！

Demo下载（https://files.cnblogs.com/files/stulzq/CnBlogsCrawler.zip）

看完本文有收获？请转发分享给更多人

关注「DotNet」，提升.Net技能

淘口令：复制以下红色内容，再打开手淘即可购买

范品社，使用￥极客T恤￥抢先预览（长按复制整段文案，打开手机淘宝即可进入活动内容）