C#基于.Net-HtmlAgilityPack库的爬虫初体验

Posted 2022-06-13 dotNET跨平台

讲故事

前几天有点空闲时间，在github上看一些.Net的开源库，看到了关于爬虫相关的库，于是加入了一个QQ群，看到里面各位大佬讨论的是爬的越好，进去越快，于是我自己也想做一个爬虫相关的东西，但是爬虫是个危险的东西，自己也不敢随便爬别人的网页，于是找到了一个朋友，拿他的网站来进行练习！

练习

对于.Net来说。爬虫相关的库还是蛮多的，于是我选择了htmlAgilityPack来做一个爬虫练习！

当然什么是爬虫呢？

简而言之:

爬虫的基本流程是：下载数据（发送 HTTP 请求并获得返回的 resonse) -> 解析返回的文本（可以是 text、json、html) -> 存储解析到的数据

学习一个框架，我们肯定是从它的官方文档开始， 地址:https://html-agility-pack.net/

Html解析器

• From File(从文件加载 HTML 文档)

• From String (从指定的字符串加载 HTML 文档)

• From Web (从 Internet 资源中获取 HTML 文档)

• From Browser(从 WebBrowser 获取 HTML 文档)

于是我选择了From Web 来解析我们的html文档， 代码如下:

var html = @"https://dotnet9.com/";

            HtmlWeb web = new HtmlWeb();

            var htmlDoc = web.Load(html);

既然Html文档被我们获取到了，我们肯定就要对Html内容进行一个解析了。

Html选择器

• SelectNodes()（选择与 XPath 表达式匹配的节点列表）

• SelectSingleNode(String)（选择与 XPath 表达式匹配的第一个 XmlNode）

打开网站，找到我们想要爬取的网站，今天我们就来爬该网站的特色专辑下的所有文章。

打开调试模式，我们可以看到特色专辑是一个a标签，我们再来查看该标签的上一级元素是li，li上一级元素是ui，那我们就可以来获取该节点

var allNodes = htmlDoc.DocumentNode.SelectNodes("//ul[@id='starlist']//li[@class='menu']");

当然我们也可以使用Xpath来获取节点内容

var singNodes = htmlDoc.DocumentNode.SelectSingleNode("/html[1]/body[1]/header[1]/div[3]/nav[1]/ul[1]/li[3]//ul[1]")

然后我们再来获取该特色专辑下的子菜单的的网址，经发现，a标签的href 属性规定链接的目标地址，那我们第一步肯定是要获取该子菜单下的所有链接！

var singNodes = htmlDoc.DocumentNode.SelectSingleNode("/html[1]/body[1]/header[1]/div[3]/nav[1]/ul[1]/li[3]//ul[1]")
                .ChildNodes.Where(o => o.Name=="li");

            List<string> lstUrl = new List<string>();
            foreach (var item in singNodes)
            
                var aNodes = item.ChildNodes.Where(o => o.Name == "a").First();
                string url = aNodes.Attributes["href"].Value;
                lstUrl.Add(url);
            

随意打开一个子菜单，可以看到相关的文章标题描述以及图片等！这就是我们想要的内容了！分析方法还是和刚才一样！代码如下

foreach (var item in lstUrl)
            
                htmlDoc = web.Load("https://dotnet9.com"+item);
                var resultNodes = htmlDoc.DocumentNode.SelectSingleNode("//div[@class='pics-list-box whitebg']//ul")
                    .ChildNodes.Where(o=>o.Name=="li");
                foreach (var itemResultNodes in resultNodes)
                
                    WebData webData = new WebData();
                    var aNodes = itemResultNodes.ChildNodes.Where(o => o.Name == "a").First();
                    webData.Url= aNodes.Attributes["href"].Value;
                    webData.Title = aNodes.ChildNodes["h2"].InnerText;
                    webData.Desc = aNodes.ChildNodes["p"].InnerText;
                    webData.Img = aNodes.ChildNodes["i"].ChildNodes["img"].Attributes["src"].Value;
                    Console.WriteLine($"标题:webData.Title-描述:webData.Desc-Img:webData.Img-webData.Url\\r\\n");
                
            

这样我们就能够获取到我们想要的东西了！运行一下代码，我们的第一个爬虫就成功了。

总结

即兴发挥写了第一个爬虫，大家要是有更好的方案，欢迎交流，独乐乐不如众乐乐，本篇就说到这里啦，希望对您有帮助。

最后声明一下: 总的来说，技术本无罪，但是你利用技术爬取别人隐私、商业数据，那你就是蔑视法律了，请各位守好各自的底线！