C#使用ScrapySharp快速從網頁採集資料

2022-06-27 10:01:23

ScrapySharp是一個幫助我們快速實現網頁資料採集的庫，它主要提供瞭如下兩個功能

從Url獲取Html資料
提供CSS選擇器的方式解析Html節點

安裝：

ScrapySharp可以直接從Nuget上下載，直接從Package Console裡面輸入如下命令即可：

PM> Install-Package ScrapySharp

Html下載

首先我們來看看它的Html下載功能，它是通過ScrapingBrowser類來實現的：

var browser = new ScrapingBrowser();
var html = browser.DownloadString(new Uri("http://www.cnblogs.com/"));

這個只是一個簡單的範例，實際上ScrapingBrowser的功能還是非常全面的，常見的功能如：Charset探測，AutoRedirect、Cache、 Proxy、Cookie、UserAgent、表單提交等都支援得非常好，用它來獲取網頁比HttClient要方便很多。

Html解析

ScrapySharp的Html解析是基於大名鼎鼎的HtmlAgilityPack來實現的，它主要提供了兩個擴充套件函數CssSelect和CssSelect：

static IEnumerable<HtmlNode> CssSelect(this HtmlNode node, string expression);
static IEnumerable<HtmlNode> CssSelect(this IEnumerable<HtmlNode> nodes, string expression);
static IEnumerable<HtmlNode> CssSelectAncestors(this HtmlNode node, string expression);
static IEnumerable<HtmlNode> CssSelectAncestors(this IEnumerable<HtmlNode> nodes, string expression);

相比HtmlAgilityPack提供的層級式解析和Xpath方式的解析比起來，CSS選擇器的更為簡單快捷，這裡以解析部落格園的首頁標題為例，首先用開發者工具定位標題，可以看到其HTML結構的方式如下：

解析的程式碼如下：

    var doc = new HtmlDocument();
    doc.LoadHtml(html);

    var docNode = doc.DocumentNode;

    var nodes = docNode.CssSelect(".titlelnk");
    foreach (var htmlNode in nodes)
    {
        Console.WriteLine(htmlNode.InnerText);
    }

其中關鍵程式碼只有docNode.CssSelect(".titlelnk")一句，非常簡潔。另外，由於CSS方式比較靈活，如下方式也能獲取到標題

var nodes = docNode.CssSelect(".post_item_body > h3");
var nodes = docNode.CssSelect("div#post_list").CssSelectAncestors("h3");

最後，列舉一下常用的CSS查詢，以方便後續的使用：

    html.CssSelect("div"); //all div elements
    html.CssSelect("div.content"); //all div elements with css class 'content'
    html.CssSelect("div.widget.monthlist"); //all div elements with the both css class
    html.CssSelect("#postPaging"); //all HTML elements with the id postPaging
    html.CssSelect("div#postPaging.testClass");     // all HTML elements with the id postPaging and css class testClass
    html.CssSelect("div.content > p.para");     //p elements who are direct children of div elements with css class 'content'
    html.CssSelect("input[type = text].login");     // textbox with css class login

更多的CSS選擇器使用方法可以參看W3的網頁：CSS 選擇器參考手冊

到此這篇關於ScrapySharp快速採集資料的文章就介紹到這了。希望對大家的學習有所幫助，也希望大家多多支援it145.com。

C#使用ScrapySharp快速從網頁採集資料

安裝：

Html下載

Html解析

熱門文章