.net core 实现简单爬虫—抓取博客园的博文列表

ゝ一世哀愁。 2022-05-31 12:43 216阅读 0赞

# 概述 #

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

# 详细 #

#### 代码下载：[http://www.demodashi.com/demo/11731.html][http_www.demodashi.com_demo_11731.html] ####

#### 一、介绍一个Http请求框架HttpCode.Core ####

HttpCode.Core 源自于HttpCode（[传送门][Link 1]），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][Link 2]）

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

![1506583006036020688.png][]

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：

![1506583006502075830.png][]

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：

<div class="post_item">
    <div class="digg">
        <div class="diggit" οnclick="DiggPost('yaoxiaowen',7470460,318439,1)"> 
        <span class="diggnum" id="digg_count_7470460">4</span>
        </div>
        <div class="clear"></div>
        <div id="digg_tip_7470460" class="digg_tip"></div>
    </div>      
    <div class="post_item_body">
        <h3><a class="titlelnk" href="http://www.cnblogs.com/yaoxiaowen/p/7470460.html" target="_blank">关于跨平台的一些认识</a></h3>                   
        <p class="post_item_summary">
    <a href="http://www.cnblogs.com/yaoxiaowen/" target="_blank"><img width="48" height="48" class="pfs" src="//pic.cnblogs.com/face/918357/20161122225949.png" alt=""/></a>    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。 ...
        </p>              
        <div class="post_item_foot">                    
        <a href="http://www.cnblogs.com/yaoxiaowen/" class="lightblue">eleven_yw</a> 
        发布于 2017-09-03 22:12 
        <span class="article_comment"><a href="http://www.cnblogs.com/yaoxiaowen/p/7470460.html#commentform" title="2017-09-04 15:23" class="gray">
            评论(2)</a></span><span class="article_view"><a href="http://www.cnblogs.com/yaoxiaowen/p/7470460.html" class="gray">阅读(210)</a></span></div>
    </div>
    <div class="clear"></div>
    </div>
    <div class="post_item">
    <div class="digg">
        <div class="diggit" οnclick="DiggPost('loseheart',7471197,375716,1)"> 
        <span class="diggnum" id="digg_count_7471197">0</span>
        </div>
        <div class="clear"></div>
        <div id="digg_tip_7471197" class="digg_tip"></div>
    </div>      
    <div class="post_item_body">
        <h3><a class="titlelnk" href="http://www.cnblogs.com/loseheart/p/7471197.html" target="_blank">2017年9月3日  实现网站的权限管理</a></h3>                   
        <p class="post_item_summary">
    <a href="http://www.cnblogs.com/loseheart/" target="_blank"><img width="48" height="48" class="pfs" src="//pic.cnblogs.com/face/1224591/20170823222646.png" alt=""/></a>    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 ...
        </p>              
        <div class="post_item_foot">                    
        <a href="http://www.cnblogs.com/loseheart/" class="lightblue">Loseheart</a> 
        发布于 2017-09-03 21:34 
        <span class="article_comment"><a href="http://www.cnblogs.com/loseheart/p/7471197.html#commentform" title="" class="gray">
            评论(0)</a></span><span class="article_view"><a href="http://www.cnblogs.com/loseheart/p/7471197.html" class="gray">阅读(354)</a></span></div>
    </div>
    <div class="clear"></div>
    </div>

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 <div class="post\_item"> | <div class="post\_item\_body"> | h3 | a | Text
 *  博文地址 <div class="post\_item"> | <div class="post\_item\_body"> | 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：{title} | 作者：{author} | 地址：{url}");
    }

运行截图：

![1506583006851078964.png][]

#### 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 < maxPageIndex; 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{i+1}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：{title} | 作者：{author} | 地址：{url}");
        }
    
        //每抓取一页数据 暂停三秒
        Thread.Sleep(3000);
    }
                
    Console.ReadKey();

#### 五、运行截图 ####

![1506583007138054140.gif][]

#### 六、项目文件截图 ####

![blob.png][]

一个简单的.net core实现的简单爬虫就此完成！

#### 代码下载：[http://www.demodashi.com/demo/11731.html][http_www.demodashi.com_demo_11731.html] ####

#### 注：本文著作权归作者，由demo大师发表，拒绝转载，转载需要作者授权 ####

[http_www.demodashi.com_demo_11731.html]: http://www.demodashi.com/demo/11731.html
[Link 1]: http://bbs.msdn5.com/forum.php?mod=viewthread&tid=11&extra=page%3D1
[Link 2]: http://bbs.msdn5.com/forum.php?mod=forumdisplay&fid=37&filter=typeid&typeid=23
[https_github.com_stulzq_HttpCode.Core]: https://github.com/stulzq/HttpCode.Core
[https_www.nuget.org_packages_HttpCode.Core]: https://www.nuget.org/packages/HttpCode.Core/
[1506583006036020688.png]: /images/20220531/bcfd5279f969490b9b749017eccc9969.png
[1506583006502075830.png]: /images/20220531/c8042064b0e64f15a81a12173d885cdd.png
[1506583006851078964.png]: /images/20220531/a9e7cb29ed8c4dac997f12b6e61b1057.png
[1506583007138054140.gif]: /images/20220531/e5e58fac99934fc9a6f2710ba25a9a6a.png
[blob.png]: /images/20220531/3d49d4c527fe4648be93b8946ed52dfa.png