寫在前面

自從上一個專案58HouseSearch從.NET遷移到.NET core之後，磕磕碰碰磨蹭了一個月才正式上線到新版本。
然後最近又開了個新坑，搞了個Dy2018Crawler用來爬dy2018電影天堂上面的電影資源。這裡也藉機簡單介紹一下如何基於.NET Core寫一個爬蟲。
PS：如有偏錯，敬請指明…
PPS:該去電影院還是多去電影院，畢竟美人良時可無價。

準備工作（.NET Core準備）

首先，肯定是先安裝.NET Core咯。下載及安裝教程在這裡：.NET - Powerful Open Source Development。無論你是Windows、linux還是mac，統統可以玩。

我這裡的環境是：Windows10 + VS2015 community updata3 + .NET Core 1.1.0 SDK + .NET Core 1.0.1 tools Preview 2.

理論上，只需要安裝一下 .NET Core 1.1.0 SDK 即可開發.NET Core程式，至於用什麼工具寫程式碼都無關緊要了。

安裝好以上工具之後，在VS2015的新建專案就可以看到.NET Core的模板了。如下圖：

為了簡單起見，我們建立的時候，直接選擇VS .NET Core tools自帶的模板。

一個爬蟲的自我修養

分析網頁

寫爬蟲之前，我們首先要先去了解一下即將要爬取的網頁資料組成。

具體到網頁的話，便是分析我們要抓取的資料在HTML裡面是用什麼標籤抑或有什麼樣的標記，然後使用這個標記把資料從HTML中提取出來。在我這裡的話，用的更多的是HTML標籤的ID和CSS屬性。

以本文章想要爬取的dy2018.com為例,簡單描述一下這個過程。dy2018.com主頁如下圖：

在chrome裡面，按F12進入開發者模式，接著如下圖使用滑鼠選擇對應頁面資料，然後去分析頁面HTML組成。

接著我們開始分析頁面資料:

經過簡單分析HTML，我們得到以下結論：

1. www.dy2018.com首頁的電影資料儲存在一個class為co_content222的div標籤裡面

2. 電影詳情連結為a標籤，標籤顯示文字就是電影名稱，URL即詳情URL

那麼總結下來，我們的工作就是：找到class=’co_content222’ 的div標籤，從裡面提取所有的a標籤資料。

開始寫程式碼…

之前在寫58HouseSearch專案遷移到asp.net core簡單提過AngleSharp庫，一個基於.NET（C#）開發的專門為解析xHTML原始碼的DLL元件。

獲取電影列表資料

  private static HtmlParser htmlParser = new HtmlParser();

   private  ConcurrentDictionary<string, MovieInfo> _cdMovieInfo = new ConcurrentDictionary<string, MovieInfo>();
  private void AddToHotMovieList()
        {
            //此操作不阻塞當前其他操作，所以使用Task
            // _cdMovieInfo 為執行緒安全字典，儲存了當期所有的電影資料
            Task.Factory.StartNew(()=> 
            {
                try
                {
                    //通過URL獲取HTML
                    var htmlDoc = HTTPHelper.GetHTMLByURL("http://www.dy2018.com/");
                    //HTML 解析成 IDocument
                    var dom = htmlParser.Parse(htmlDoc);
                    //從dom中提取所有class='co_content222'的div標籤
                    //QuerySelectorAll方法接受 選擇器語法 
                    var lstDivInfo = dom.QuerySelectorAll("div.co_content222");
                    if (lstDivInfo !=null)
                    {
                        //前三個DIV為新電影
                        foreach (var divInfoin lstDivInfo.Take(3))
                        {
                            //獲取div中所有的a標籤且a標籤中含有"/i/"的
                            //Contains("/i/") 條件的過濾是因為在測試中發現這一塊div中的a標籤有可能是廣告連結
                            divInfo.QuerySelectorAll("a").Where(a => a.GetAttribute("href").Contains("/i/")).ToList().ForEach(
                            a =>
                            {
                                //拼接成完整連結
                                var onlineURL ="http://www.dy2018.com" + a.GetAttribute("href");
                                //看一下是否已經存在於現有資料中
                                if (!_cdMovieInfo.ContainsKey(onlineURL))
                                {
                                    //獲取電影的詳細資訊
                                    MovieInfo movieInfo = FillMovieInfoFormWeb(a, onlineURL);
                                    //下載連結不為空才新增到現有資料
                                    if (movieInfo.XunLeiDownLoadURLList !=null && movieInfo.XunLeiDownLoadURLList.Count !=0)
                                    {
                                         _cdMovieInfo.TryAdd(movieInfo.Dy2018OnlineUrl, movieInfo);
                                    }
                                }
                            });
                        }
                    }

                }
                catch(Exception ex)
                {

                }
            });
        }

獲取電影詳細資訊

 private MovieInfo FillMovieInfoFormWeb(AngleSharp.Dom.IElement a, string onlineURL)
        {
            var movieHTML = HTTPHelper.GetHTMLByURL(onlineURL);
            var movieDoc = htmlParser.Parse(movieHTML);
            //http://www.dy2018.com/i/97462.html 分析過程見上，不再贅述
            //電影的詳細介紹 在id為Zoom的標籤中
            var zoom = movieDoc.GetElementById("Zoom");
            //下載連結在 bgcolor='#fdfddf'的td中，有可能有多個連結
            var lstDownLoadURL = movieDoc.QuerySelectorAll("[bgcolor='#fdfddf']");
            //釋出時間 在class='updatetime'的span標籤中
            var updatetime = movieDoc.QuerySelector("span.updatetime");var pubDate = DateTime.Now;
            if(updatetime!=null && !string.IsNullOrEmpty(updatetime.InnerHtml))
            {
                //內容帶有“釋出時間：”字樣，replace成""之後再去轉換，轉換失敗不影響流程
                DateTime.TryParse(updatetime.InnerHtml.Replace("釋出時間：",""), out pubDate);
            }


            var movieInfo = new MovieInfo()
            {
                //InnerHtml中可能還包含font標籤，做多一個Replace
                MovieName = a.InnerHtml.Replace("<font color=\"#0c9000\">","").Replace("<font color=\"    #0c9000\">","").Replace("</font>",""),
                Dy2018OnlineUrl = onlineURL,
                MovieIntro = zoom != null ? WebUtility.HtmlEncode(zoom.InnerHtml) :"暫無介紹...",//可能沒有簡介，雖然好像不怎麼可能
                XunLeiDownLoadURLList = lstDownLoadURL != null ?
                lstDownLoadURL.Select(d => d.FirstElementChild.InnerHtml).ToList() :null,//可能沒有下載連結
                PubDate = pubDate,
            };
            return movieInfo;
        }

HTTPHelper

這邊有個小坑，dy2018網頁編碼格式是GB2312,.NET Core預設不支援GB2312，使用Encoding.GetEncoding(“GB2312”)的時候會丟擲異常。

解決方案是手動安裝System.Text.Encoding.CodePages包(Install-Package System.Text.Encoding.CodePages),

然後在Starup.cs的Configure方法中加入Encoding.RegisterProvider(CodePagesEncodingProvider.Instance),接著就可以正常使用Encoding.GetEncoding(“GB2312”)了。

using System;
using System.Net.Http;
using System.Net.Http.Headers;
using System.Text;

namespace Dy2018Crawler
{
    public class HTTPHelper
    {

        public static HttpClient Client { get; } = new HttpClient();

        public static string GetHTMLByURL(string url)
        {
            try
            {
                System.Net.WebRequest wRequest = System.Net.WebRequest.Create(url);
                wRequest.ContentType = "text/html; charset=gb2312";

                wRequest.Method = "get";
                wRequest.UseDefaultCredentials = true;
                // Get the response instance.
                var task = wRequest.GetResponseAsync();
                System.Net.WebResponse wResp = task.Result;
                System.IO.Stream respStream = wResp.GetResponseStream();
                //dy2018這個網站編碼方式是GB2312,
                using (System.IO.StreamReader reader =new System.IO.StreamReader(respStream, Encoding.GetEncoding("GB2312")))
                {
                    return reader.ReadToEnd();
                }
            }
            catch (Exception ex)
            {
                Console.WriteLine(ex.ToString());
                return string.Empty;
            }
        }

    }


}

定時任務的實現

Pomelo.AspNetCore.TimedJob是一個.NET Core實現的定時任務job庫，支援毫秒級定時任務、從資料庫讀取定時配置、同步非同步定時任務等功能。

由.NET Core社群大神兼前微軟MVPAmamiyaYuuko(入職微軟之後就卸任MVP…)開發維護，不過好像沒有開源，回頭問下看看能不能開源掉。

Startup.cs相關程式碼

我這邊使用的話，首先肯定是先安裝對應的包：Install-Package Pomelo.AspNetCore.TimedJob -Pre

然後在Startup.cs的ConfigureServices函式裡面新增Service,在Configure函式裡面Use一下。

        // This method gets called by the runtime. Use this method to add services to the container.
        public void ConfigureServices(IServiceCollection services)
        {
            // Add framework services.
            services.AddMvc();
            //Add TimedJob services
            services.AddTimedJob();
        }

         public void Configure(IApplicationBuilder app, IHostingEnvironment env, ILoggerFactory loggerFactory)
        {
            //使用TimedJob
            app.UseTimedJob();

            if (env.IsDevelopment())
            {
                app.UseDeveloperExceptionPage();
                app.UseBrowserLink();
            }
            else
            {
                app.UseExceptionHandler("/Home/Error");
            }

            app.UseStaticFiles();

            app.UseMvc(routes =>
            {
                routes.MapRoute(
                    name: "default",
                    template: "{controller=Home}/{action=Index}/{id?}");
            });
            Encoding.RegisterProvider(CodePagesEncodingProvider.Instance);
        }

Job相關程式碼

接著新建一個類，明明為XXXJob.cs,引用名稱空間using Pomelo.AspNetCore.TimedJob，XXXJob繼承於Job，新增以下程式碼。

    public class AutoGetMovieListJob:Job
    {

        // Begin 起始時間；Interval執行時間間隔，單位是毫秒，建議使用以下格式，此處為3小時；SkipWhileExecuting是否等待上一個執行完成，true為等待；
        [Invoke(Begin = "2016-11-29 22:10", Interval = 1000 * 3600*3, SkipWhileExecuting =true)]
        public void Run()
        {
             //Job要執行的邏輯程式碼

            //LogHelper.Info("Start crawling");
            //AddToLatestMovieList(100);
            //AddToHotMovieList();
            //LogHelper.Info("Finish crawling");
        }
   }

專案釋出相關

新增runtimes節點

使用VS2015新建的模板工程，project.json配置預設是沒有runtimes節點的.

我們想要釋出到非Windows平臺的時候，需要手動配置一下此節點以便生成。

    "runtimes": {
    "win7-x64": {},
    "win7-x86": {},
    "osx.10.10-x64": {},
    "osx.10.11-x64": {},
    "ubuntu.14.04-x64": {}
  }

刪除/註釋scripts節點

生成時會呼叫node.js指令碼構建前端程式碼，這個不能確保每個環境都有bower存在…註釋完事。

    //"scripts": {
    //  "prepublish": [ "bower install", "dotnet bundle" ],
    //  "postpublish": [ "dotnet publish-iis --publish-folder %publish:OutputPath% --framework %publish:FullTargetFramework%" ]
    //},

刪除/註釋dependencies節點裡面的type

"dependencies": {
    "Microsoft.NETCore.App": {
      "version": "1.1.0"
      //"type": "platform"
    },

開發編譯釋出

//還原各種包檔案
dotnet restore;

//釋出到C:\code\website\Dy2018Crawler資料夾
dotnet publish -r ubuntu.14.04-x64 -c Release -o "C:\code\website\Dy2018Crawler";

最後，照舊開源……以上程式碼都在下面找到：

PS:回頭寫個爬片大家滋持不啊…