.NET Core 下的爬蟲利器
爬蟲大家或多或少的都應該接觸過的,爬蟲有風險,抓數需謹慎。
本著研究學習的目的,記錄一下在 .NET Core 下抓取資料的實際案例。爬蟲程式碼一般具有時效性,當我們的目標發生改版升級,規則轉換後我們寫的爬蟲程式碼就會失效,需要重新應對。抓取資料的主要思路就是去分析目標網站的頁面邏輯,利用xpath
、正則表示式等知識去解析網頁拿到我們想要的資料。
本篇主要簡單介紹三個元件的使用,HtmlAgilityPack
、AngleSharp
、PuppeteerSharp
,前兩個可以處理傳統的頁面,無法抓取單頁應用,如果需要抓取單頁應用可以使用PuppeteerSharp
。
關於這三個元件庫的實際應用可以參考一下
新建一個控制檯專案,抓取幾個站點的資料來試試,先做準備工作,新增一個IHotNews
的介面。
using System.Collections.Generic;
using System.Threading.Tasks;
namespace SpiderDemo
{
public interface IHotNews
{
Task<IList<HotNews>> GetHotNewsAsync();
}
}
HotNews
模型,包含標題和連結
namespace SpiderDemo { public class HotNews { public string Title { get; set; } public string Url { get; set; } } }
最終我們通過依賴注入的方式,將抓取到的資料展示到控制檯中。
HtmlAgilityPack
在專案中安裝HtmlAgilityPack
元件
Install-Package HtmlAgilityPack
這裡以部落格園為抓取目標,我們抓取首頁的文章標題和連結。
using HtmlAgilityPack; using System.Collections.Generic; using System.Linq; using System.Threading.Tasks; namespace SpiderDemo { public class HotNewsHtmlAgilityPack : IHotNews { public async Task<IList<HotNews>> GetHotNewsAsync() { var list = new List<HotNews>(); var web = new HtmlWeb(); var htmlDocument = await web.LoadFromWebAsync("https://www.cnblogs.com/"); var node = htmlDocument.DocumentNode.SelectNodes("//*[@id='post_list']/article/section/div/a").ToList(); foreach (var item in node) { list.Add(new HotNews { Title = item.InnerText, Url = item.GetAttributeValue("href", "") }); } return list; } } }
新增HotNewsHtmlAgilityPack.cs
實現IHotNews
介面,訪問部落格園網址,拿到HTML資料後,使用xpath語法解析HTML,這裡主要是拿到a標籤即可。
通過檢視網頁分析可以得到這個xpath://*[@id='post_list']/article/section/div/a
。
然後在Program.cs
中注入IHotNews
,迴圈遍歷看看效果。
using Microsoft.Extensions.DependencyInjection;
using System;
using System.Linq;
using System.Threading.Tasks;
namespace SpiderDemo
{
class Program
{
static async Task Main(string[] args)
{
IServiceCollection service = new ServiceCollection();
service.AddSingleton<IHotNews, HotNewsHtmlAgilityPack>();
var provider = service.BuildServiceProvider().GetRequiredService<IHotNews>();
var list = await provider.GetHotNewsAsync();
if (list.Any())
{
Console.WriteLine($"一共{list.Count}條資料");
foreach (var item in list)
{
Console.WriteLine($"{item.Title}\t{item.Url}");
}
}
else
{
Console.WriteLine("無資料");
}
}
}
}
AngleSharp
在專案中安裝AngleSharp
元件
Install-Package AngleSharp
同樣的,新建一個HotNewsAngleSharp.cs
也實現IHotNews
介面,這次使用AngleSharp
抓取。
using AngleSharp;
using System.Collections.Generic;
using System.Threading.Tasks;
namespace SpiderDemo
{
public class HotNewsAngleSharp : IHotNews
{
public async Task<IList<HotNews>> GetHotNewsAsync()
{
var list = new List<HotNews>();
var config = Configuration.Default.WithDefaultLoader();
var address = "https://www.cnblogs.com";
var context = BrowsingContext.New(config);
var document = await context.OpenAsync(address);
var cellSelector = "article.post-item";
var cells = document.QuerySelectorAll(cellSelector);
foreach (var item in cells)
{
var a = item.QuerySelector("section>div>a");
list.Add(new HotNews
{
Title = a.TextContent,
Url = a.GetAttribute("href")
});
}
return list;
}
}
}
AngleSharp
解析資料和HtmlAgilityPack
的方式有所不同,AngleSharp
可以利用css規則去獲取資料,用起來也是挺方便的。
在Program.cs
中注入IHotNews
,迴圈遍歷看看效果。
using Microsoft.Extensions.DependencyInjection;
using System;
using System.Linq;
using System.Threading.Tasks;
namespace SpiderDemo
{
class Program
{
static async Task Main(string[] args)
{
IServiceCollection service = new ServiceCollection();
service.AddSingleton<IHotNews, HotNewsAngleSharp>();
var provider = service.BuildServiceProvider().GetRequiredService<IHotNews>();
var list = await provider.GetHotNewsAsync();
if (list.Any())
{
Console.WriteLine($"一共{list.Count}條資料");
foreach (var item in list)
{
Console.WriteLine($"{item.Title}\t{item.Url}");
}
}
else
{
Console.WriteLine("無資料");
}
}
}
}
PuppeteerSharp
PuppeteerSharp
是基於Puppeteer
的,Puppeteer
是一個Google 開源的NodeJS 庫,它提供了一個高階API 來通過DevTools協議控制Chromium 瀏覽器。Puppeteer 預設以無頭(Headless) 模式執行,但是可以通過修改配置執行“有頭”模式。
PuppeteerSharp
可以幹很多事情,不光可以用來抓取單頁應用,還可以用來生成頁面PDF或者圖片,可以做自動化測試等。
在專案中安裝PuppeteerSharp
元件
Install-Package PuppeteerSharp
使用PuppeteerSharp
第一次會幫我們在專案根目錄中下載瀏覽器執行程式,這個取決於當前網速的快慢,建議手動下載後放在指定位置即可。
using PuppeteerSharp;
using System.Threading.Tasks;
namespace SpiderDemo
{
class Program
{
static async Task Main(string[] args)
{
// 下載瀏覽器執行程式
await new BrowserFetcher().DownloadAsync(BrowserFetcher.DefaultRevision);
// 建立一個瀏覽器執行例項
using var browser = await Puppeteer.LaunchAsync(new LaunchOptions
{
Headless = true,
Args = new string[] { "--no-sandbox" }
});
// 開啟一個頁面
using var page = await browser.NewPageAsync();
// 設定頁面大小
await page.SetViewportAsync(new ViewPortOptions
{
Width = 1920,
Height = 1080
});
}
}
}
上面這段程式碼是初始化PuppeteerSharp
必要的程式碼,可以根據實際開發需要進行修改,下面以"https://juejin.im"為例,演示幾個常用操作。
獲取單頁應用HTML
...
var url = "https://juejin.im";
await page.GoToAsync(url, WaitUntilNavigation.Networkidle0);
var content = await page.GetContentAsync();
Console.WriteLine(content);
可以看到頁面上的HTML全部被獲取到了,這時候就可以利用規則解析HTML,拿到我們想要的資料了。
儲存為圖片
...
var url = "https://juejin.im/";
await page.GoToAsync(url, WaitUntilNavigation.Networkidle0);
await page.ScreenshotAsync("juejin.png");
儲存為PDF
var url = "https://juejin.im/";
await page.GoToAsync(url, WaitUntilNavigation.Networkidle0);
await page.PdfAsync("juejin.pdf");
PuppeteerSharp
的功能還有很多,比如頁面注入HTML、執行JS程式碼等,使用的時候可以參考官網示例。