C#爬蟲，讓你再也不以爲神祕

時間 2020-12-28

標籤 html node git github web cookie async 網站 this url 欄目 C# 简体版

原文原文鏈接

一、使用第三方類庫 HtmlAgilityPack

官方網址：https://html-agility-pack.net/?z=codeplex、html

// From File 從文件獲取html信息
var doc = new HtmlDocument();
doc.Load(filePath);

// From String 從字符串獲取html信息
var doc = new HtmlDocument();
doc.LoadHtml(html);

// From Web   從網址獲取html信息
var url = "http://html-agility-pack.net/";
var web = new HtmlWeb();
var doc = web.Load(url);

1.一、這裏介紹一下最後一種用法

var web = new HtmlWeb();
var doc = web.Load(url);

在 web 中咱們還能夠設置cookie、headers等信息，來處理一些特定的網站需求，好比須要登錄等。node

1.2 用法解釋

網頁在你查看網頁源代碼以後只是一段字符串，而爬蟲所作的就是在這堆字符串中，查詢到咱們想要的信息，挑選出來。
以往的篩選方法：正則（太麻煩了，寫起來有些頭疼）
HtmlAgilityPack 支持經過XPath來解析咱們須要的信息。git

1.2.1 在哪裏找XPath？

網頁右鍵檢查github

經過XPath就能夠準確獲取你想要元素的所有信息。web

1.2.2 獲取選中Html元素的信息？

獲取選中元素cookie

var web = new HtmlWeb();
var doc = web.Load(url);
var htmlnode = doc?.DocumentNode?.SelectSingleNode("/html/body/header")

獲取元素信息async

htmlnode.InnerText;
htmlnode.InnerHtml;
//根據屬性取值
htmlnode?.GetAttributeValue("src", "未找到")

二、本身封裝的類庫

/// <summary>
    /// 下載HTML幫助類
    /// </summary>
    public static class LoadHtmlHelper
    {
        /// <summary>
        /// 從Url地址下載頁面
        /// </summary>
        /// <param name="url"></param>
        /// <returns></returns>
        public async static ValueTask<HtmlDocument> LoadHtmlFromUrlAsync(string url)
        {
            HtmlWeb web = new HtmlWeb();
             return await
                 web?.LoadFromWebAsync(url);
        }

        /// <summary>
        /// 獲取單個節點擴展方法
        /// </summary>
        /// <param name="htmlDocument">文檔對象</param>
        /// <param name="xPath">xPath路徑</param>
        /// <returns></returns>
        public static HtmlNode GetSingleNode(this HtmlDocument htmlDocument, string xPath)
        {
          return  htmlDocument?.DocumentNode?.SelectSingleNode(xPath);
        }

        /// <summary>
        /// 獲取多個節點擴展方法
        /// </summary>
        /// <param name="htmlDocument">文檔對象</param>
        /// <param name="xPath">xPath路徑</param>
        /// <returns></returns>
        public static HtmlNodeCollection GetNodes(this HtmlDocument htmlDocument, string xPath)
        {
            return htmlDocument?.DocumentNode?.SelectNodes(xPath);
        }

     

        /// <summary>
        /// 獲取多個節點擴展方法
        /// </summary>
        /// <param name="htmlDocument">文檔對象</param>
        /// <param name="xPath">xPath路徑</param>
        /// <returns></returns>
        public static HtmlNodeCollection GetNodes(this HtmlNode htmlNode, string xPath)
        {
            return htmlNode?.SelectNodes(xPath);
        }


        /// <summary>
        /// 獲取單個節點擴展方法
        /// </summary>
        /// <param name="htmlDocument">文檔對象</param>
        /// <param name="xPath">xPath路徑</param>
        /// <returns></returns>
        public static HtmlNode GetSingleNode(this HtmlNode htmlNode, string xPath)
        {
            return htmlNode?.SelectSingleNode(xPath);
        }

        /// <summary>
        /// 下載圖片
        /// </summary>
        /// <param name="url">地址</param>
        /// <param name="filpath">文件路徑</param>
        /// <returns></returns>
        public async static ValueTask<bool> DownloadImg(string url ,string filpath)
        {
            HttpClient httpClient = new HttpClient();
            try
            {
                var bytes = await httpClient.GetByteArrayAsync(url);
                using (FileStream fs = File.Create(filpath))
                {
                    fs.Write(bytes, 0, bytes.Length);
                }
                return File.Exists(filpath);
            }
            catch (Exception ex)
            {
             
                throw new Exception("下載圖片異常", ex);
            }
            
        }
    }