C#+HtmlAgilityPack+Dapper走一波爬虫

小说:在微信上怎么挣钱作者:马扁石顺更新时间:2018-12-14字数:95642

C#+HtmlAgilityPack+Dapper走一波爬虫


    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,我呢主要负责爬虫和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,主要采集文章列表和文章内容,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<meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> ,然后设置HtmlAgilityPack中的OverrideEncoding属性,

 

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

   流程代码:

//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)
{
     ....
}

/// <summary>
/// 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<string>(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;
            }
        }

  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"]

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,在这里的翻页也比较简单,通过拼接URL来进行翻页即可,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,所以这里的例子比较简单

 

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,下班下班。

 

当前文章:http://0477auto.com/html_51292.html

发布时间:2018-12-14 03:27:44

点点就赚是骗子么 苹果手机赚钱收徒 启梦团队兼职是真是假 一台电脑在家做兼职 淘宝刷单兼职正规网站 厦门在家兼职 自己做点什么生意 推广网赚广告词 网赚技术导航网 做生意有哪些项目

编辑:密安顺

我要说两句: (0人参与)

发布