编写windows服务 定时爬取博客园文章 邮件提醒以及入库
Posted zycoder
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了编写windows服务 定时爬取博客园文章 邮件提醒以及入库相关的知识,希望对你有一定的参考价值。
这段时间工作比较忙,每天也没那么多的时间逛博客园看文章,于是就想写一个工具 每天早上9点爬取文章给自己发邮件
作为每天的技术早餐。
相对而言,爬取博客园的文章还是比较简单的,主要思路就是分析博客园文章列表的分页,请求方式,页面渲染方式等,
写篇随笔简单share一下。
这个小工具主要用到的由nlog、HtmlAgilityPack、ef、quartz.net 。
首先就是分析文章列表以及分页,当对文章列表切换页码的时候,
url是这种形式: https://www.cnblogs.com/#p3
p1 p2 p3 ...p(n) 刚开始我也是以为列表分页是靠这种形式走的,在url中传页码参数,用.net 的httpclient请求了几十页,
发现返回内容都是一样的,这是一个坑,接着分析,F12分析一下,切换页码的时候发现是一个post请求,
请求地址为:
https://www.cnblogs.com/mvc/AggSite/PostList.aspx
分析下请求参数,
CategoryId、CategoryType、ItemListActionName、PageIndex、ParentCategoryId、TotalPostCount
对每个参数的具体意义不做过多分析,pageindex就是页码,因此文章列表在分页的时候,请求地址为
https://www.cnblogs.com/mvc/AggSite/PostList.aspx
传递参数如:{"CategoryType":"SiteHome","ParentCategoryId":0,"CategoryId":808,"PageIndex":4,"TotalPostCount":4000,"ItemListActionName":"PostList"}
按照此地址以及参数请求一下,确定能够返回期望结果,让人不舒服的地方又来了,返回结果非json 而是当前页面的html 。
至此,分页请求方式已经解决了,下一步就是处理请求结果,获取请求页的文章列表内容。
因为返回结果是html 我们首先看下文章列表页:
在此列表内,我们能获取到的信息 有标题、作者、发布 时间、摘要,一般爬虫返回结果为json、html、xml等
博客园返回结果为html,我们可以通过正则表达式去处理,Regex,也可以通过xpath去处理,因为返回结果就是一个html dom树,
我们可以通过xpath语法去处理 http://www.w3school.com.cn/xpath/xpath_syntax.asp
同时,我们也可以F12 Elements选项下 选择对应文章标题 右键copy xpath
比如某一标题的xpath为 //*[@id="post_list"]/div[1]/div[2]/h3/a
相应的c#中 可以使用HtmlAgilityPack 这个工具来进行解析,代码如下:
HtmlDocument htmlDocument = new HtmlDocument();
htmlDocument.LoadHtml(html);
HtmlNodeCollection postItems = i == 1 ? htmlDocument.DocumentNode.SelectNodes("//*[@id=‘post_list‘]/*") : htmlDocument.DocumentNode.SelectNodes("./div");
foreach (HtmlNode item in postItems)
{
var titleNode = item.SelectSingleNode("./*/h3");
var footNode = item.SelectSingleNode("./*/div[@class=‘post_item_foot‘]");
if (Articles.Any(c => c.Title == titleNode.InnerText)) continue;
Articles.Add(new Article
{
Title = titleNode.InnerText,
ItemUrl = titleNode.FirstChild.Attributes["href"].Value,
Sumary = item.SelectSingleNode("./*/p").InnerText,
Author = footNode.SelectSingleNode("./a").InnerText,
PubDate = footNode.SelectSingleNode("./text()[2]").InnerText.Replace("发布于", "").Trim()
});
}
其中的html就是当前列表的html内容,代码可自行写。Article为自定义的实体类
到这一步,文章的简单信息获取到了 url 标题 作者 发布时间 摘要
下一步就是获取文章的内容
比如某一文章的url为,https://www.cnblogs.com/senlinmu/p/9805684.html
文章详情仍然采用HtmlAgilityPack
Articles.ForEach(v =>
{
string html = client.GetStringAsync(v.ItemUrl).Result;
htmlDocument.LoadHtml(html);
HtmlNode htmlNode = htmlDocument.DocumentNode.SelectSingleNode("//*[@id=‘cnblogs_post_body‘]");
v.Content = htmlNode?.InnerHtml;
});
html为文章详情,此xpath为 //*[@id=‘cnblogs_post_body‘]
至此,文章的标题、时间、摘要、内容获取完毕。
然后就可给自己发邮件提醒。
获取内容大致完成,下一步就是部署成windows服务 ,
以上是关于编写windows服务 定时爬取博客园文章 邮件提醒以及入库的主要内容,如果未能解决你的问题,请参考以下文章