net core 实现简单爬虫—抓取博客园的博文列表

一.介绍一个Http请求框架HttpCode.Core

HttpCode.Core源自于HttpCode(传送门),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(传送门)

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 -Version1.5.2-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!

原文:http://www.cnblogs.com/stulzq/p/7474334.html

  • 发表于:
  • 原文链接:http://kuaibao.qq.com/s/20171216B02ON500?refer=cp_1026

同媒体快讯

相关快讯

扫码关注云+社区