C#+HtmlAgilityPack+Dappe

Posted 2020-11-01 Leo_wlCnBlogs

C#+htmlAgilityPack+Dappe

（转发请注明来源：http://www.cnblogs.com/EminemJK/）

　　　　最近因为公司业务需要，又有机会撸winform了，这次的需求是因为公司有项目申报的这块业务，项目申报前期需要关注政府发布的相关动态信息，政府部门网站过多，人工需要一个一个网站去浏览和查阅，有时候还会遗漏掉，因此呢，我们打算用爬虫+移动端web来做，我主要负责爬虫和web Api。

爬虫篇

　　　　爬虫主要采用.Net强大的开源解析HTML元素的类库HtmlAgilityPack，操作过XML的童鞋应该很快就可以上手，通过分析XPath来解析HTML，非常的方便的，不过还有一款不错的叫Jumony，没用过，对HtmlAgilityPack比较熟悉，所以首选了HtmlAgilityPack来作为主力军。

　　　　HtmlAgilityPack的基本使用可以参考这篇 https://www.cnblogs.com/GmrBrian/p/6201237.html，

　　　　效果图，多图慎入

采集广西财政厅例子

　　

　　因为是政府发布的出来的信息，所以信息的对外开放的，只是机器代替人工来浏览，不会被和谐的，主要采集文章的标题、日期和文章内容，以广西财政厅网站为例子。

First

　　加载网站这个就不用说了，先查看网站的字符编码，如图 ，然后设置HtmlAgilityPack中的OverrideEncoding属性，再开始加载，不然采集到的是乱码，没有意义。

htmlAgilityPack.OverrideEncoding = Encoding.UTF8;

Second

　　

　　　　分析文章列表，浏览器F12查看HTML标签情况，可以分析出XPath为：

//ul[@class=\'dzjzw_list_main_ul\']//li
　　　　文章内容的链接的XPath标签：

//a
　　　　文章发布的时间XPath标签：

//span[@class=\'date\']

示例流程代码：

复制代码
//获取第一页的内容
HtmlNode row = GetHtmlDoc(htmlWeb, url);
//根据xpath获取列表
var list = row.SelectNodes("//ul[@class=\'dzjzw_list_main_ul\']//li");
foreach (var data in list)
{
HtmlNode node = HtmlNode.CreateNode(data.OuterHtml);
HtmlNode a = node.SelectSingleNode("//a");
HtmlNode date = node.SelectSingleNode("//span[\'date\']");
....
}

///

/// 这里偶尔会浏览网页失败的，所以失败了多浏览几次
/// </summary
public static HtmlNode GetHtmlDoc(HtmlWeb htmlWeb, string url)
{
try
{
var doc = GetDoc(htmlWeb, url);
if (doc == null)
{
int againIdx = 0;
while (againIdx++ < 5)
{
System.Threading.Thread.Sleep(1000);
doc = GetDoc(htmlWeb, url);
if (doc != null)
break;
}
if (doc == null)
{
var htmlData = HttpHelper.Get(url).Result;//.GetStringAsync(url).Result;
return HtmlNode.CreateNode(htmlData);
}
else
{
return doc.DocumentNode;
}
}
return doc.DocumentNode;
}
catch
{
Log.Error("未能正确访问地址：" + url);
return null;
}
}

///

/// 加载网页
///

public static HtmlDocument GetDoc(HtmlWeb htmlWeb, string url)
{
try
{
return htmlWeb.Load(url);
}
catch (Exception ex)
{
return null;
}
}
复制代码
都可以使用 HtmlNode.InnerText 来获取到相关值，非常的方便。

Third

　　　　文章详细内容也如此，通过分析XPath来分析即可，最头疼的是翻页的问题，因为政府网站使用的技术一般都是比较那个的，你懂的，有些使用到oncilck来触发的，有些表单提交，要具体问题具体分析了，用Fiddler和浏览器的F12大法来分析翻页数据来源，在这里的例子翻页也比较简单，通过拼接URL来进行翻页即可。

Fourth

　　　　爬取到的之后，再来一个钉钉通知，在群里拉入一个机器人，可以参考钉钉的开发文档（https://open-doc.dingtalk.com/docs/doc.htm?spm=a219a.7629140.0.0.ece6g3&treeId=257&articleId=105735&docType=1#）。

　　

　　这样我们爬取的消息就第一时间通知到群里的小伙伴啦，是不是很炫酷，哈哈哈。后面做完了再上传到GitHub吧，持续更新，一起进步，下班下班。

————————————————————————————————————————————————————————————————————

根据评论区的大神也提供了其他好用的爬虫库，了解一下：

1> 一线码农 　　node+cheerio

2>newjajk 　　 Chromedriver

3>ZUOXIANGE anglesharp