为了拓展公司业务，客服部需要大量相关行业的客户资料。由于公司规模不大，从成本上考虑够买数据不太现实，所以我们就开发了一套方案，从行业相关的商业网站上去抓取客户资料。
鉴于不同的网站在数据排版、字符编码、获取数据方式（get或post）不同。如要抓到自己想要的数据，针对每个网站都需要进行网页的分析，有效数据的提取。在这里主要分享关键代码，顺便把最近写的一个程序源代码贴出来供园友们下载研究，里面有抓取三个网站数据的例子（深市A股、三星手机、当当网微软技术丛书，抓取不同的网站需要修改运行入口）。掌握其中一个的技巧，便可以在所有类似网站上获取你想要的数据，比方你在炒股，你可以抓取股票网站数据到本地，做个报表分析，操作的好，能让你赚的盆满钵满；假若你自己有个淘宝网店，需要商品图片，copy别人店铺的图片多慢啊，抓取便是；如果你有博客或新闻网站，没有更新的数据怎么办，看中哪个网站抓取便是。说了这么多，回正题……
下面我以抓取其中一个网站为例来介绍这个小程序，首先抓取任务如下：
http://detail.zol.com.cn/cell_phone_index/subcate57_98_list_1.html
只要图片，手机名称，价格，网络模式，网络类型，其它信息不要
手机图片要下载下来
1.程序界面设计如下，只为达到抓取数据目的，界面比较鄙陋筒靴们将就看:-)。
2.用时信息通过Timer控件的tick事件来显示抓取用的时间，代码如下：
1 #region //时间处理 2 int duration = 0; 3 private void timer1_Tick(object sender, EventArgs e) 4 { 5 duration++; 6 lbTime.Text = "用时：" + GetTimeBySecount(int.Parse(duration.ToString().Trim())); 7 } 8 /// <summary> 9 /// 通过秒返回时：分：秒格式的时间 10 /// </summary> 11 /// <returns></returns> 12 private string GetTimeBySecount(int s) 13 { 14 s = s + 1; 15 TimeSpan timeSpan = new TimeSpan(0, 0, s); 16 string hour = timeSpan.Hours < 10 ? timeSpan.Hours.ToString().Trim().PadLeft(2, '0') : timeSpan.Hours.ToString().Trim(); 17 string minute = timeSpan.Minutes < 10 ? timeSpan.Minutes.ToString().Trim().PadLeft(2, '0') : timeSpan.Minutes.ToString().Trim(); 18 string second = timeSpan.Seconds < 10 ? timeSpan.Seconds.ToString().Trim().PadLeft(2, '0') : timeSpan.Seconds.ToString().Trim(); 19 return string.Format("{0}:{1}:{2}", hour, minute, second); 20 } 21 #endregion
3.进度信息用的是委托显示抓取详情，代码如下：
1 #region //委托显示用户提示信息 2 /// <summary> 3 /// 为了进程之间通信，定义一个委托 4 /// </summary> 5 /// <param name="displayString">实时处理的信息</param> 6 /// <param name="lbl">接收实时处理信息的 Label 对象</param> 7 /// <param name="ui">承载 Label 控件的窗体对象</param> 8 delegate void SetText(string displayString, Label lbl, Form ui); 9 /// <summary> 10 /// 利用委托操作窗体线程上的 Lable 控件 11 /// </summary> 12 /// <param name="str">实时处理的信息</param> 13 /// <param name="lb">接收实时处理信息的 Label 对象</param> 14 /// <param name="fui">承载 Label 控件的窗体对象</param> 15 public static void SetLableText(string str, Label lb, Form fui) 16 { 17 if (lb.InvokeRequired) 18 { 19 SetText st = new SetText(SetLableText); 20 fui.Invoke(st, str, lb, fui); 21 } 22 else 23 { 24 lb.Text = str; 25 } 26 } 27 #endregion
4.拖放一个backgroundWorker控件，启动DoWork事件和RunWorkerCompleted事件。
- DoWork代码如下（代码中标红的方法是几个关键的方法
Common.Get_HttpAll：根据网页地址，和字符编码获取网页源代码返回stringCommon.ResolverAndOutput：从网页内容中获取关键信息，通常用于获取列表数据，table里面的tr数据。
参数1传入要分析的网页内容；
参数2传入要分析的网页内容的起始点，为空则表示从网页内容起始位置开始；
参数3传入要分析的网页内容的终结点，为空则表示截止到网页内容的最后位置；
参数4传入过滤规则，例如：<tr>（?<content>.+?）</tr>，表示获取参数2和参数3之间的字符串中所有<tr>开始，</tr>结束的所有字符串，这些字符串用$~拼接；
参数5默认传入1；
参数6默认传入false；Common.JieQuString：截取字符串中A和B之间的数据。参数1传入带分析的字符串；参数2传入A（A在字符串中唯一）；参数3传入B（B在字符串中唯一））：
1 private void backgroundWorker1_DoWork(object sender, DoWorkEventArgs e) 2 { 3 try 4 { 5 DataSet ds = new DataSet(); 6 DataTable dtContact = new DataTable("tbl"); 7 dtContact.Columns.Add("name"); 8 dtContact.Columns.Add("price"); 9 dtContact.Columns.Add("fileName"); 10 dtContact.Columns.Add("model"); 11 dtContact.Columns.Add("type"); 12 DataRow dr; 13 int i = 1; 14 bool flag = true; 15 do 16 { 17 string path = "http://detail.zol.com.cn/cell_phone_index/subcate57_98_list_" + i.ToString() + ".html"; 18 string getHtml = Common.Get_HttpAll(path, "GB2312"); 19 if (!getHtml.Contains("wrong")) 20 { 21 string useHtml = Common.ResolverAndOutput(getHtml, "", "", "<div class=\"list-item clearfix\">(?<content>.+?)target=\"_blank\">查询底价</a>", 1, false); 22 string[] trItem = useHtml.Replace("~", "").Split('$'); 23 flag = trItem.Length > 2; 24 for (int j = 0; j < trItem.Length - 1; j++) 25 { 26 SetLableText("进度：当前正在分析第" + i + " 页,第"+(j+1)+"条数据", lbJD, this); 27 dr = dtContact.NewRow(); 28 string imgUrl = Common.JieQuString(trItem[j], "<div class=\"pic-box SP\" data-rel=\"", "\">"); 29 int splitIndex=imgUrl.LastIndexOf('/'); 30 if (splitIndex < 0) { 31 break; 32 } 33 string fileName= imgUrl.Substring(splitIndex, imgUrl.Length - splitIndex).Replace("/",""); 34 //下载当前产品图片 35 string filepath = "E:\\抓数据\\中关村三星手机图片\\"+fileName; 36 WebClient mywebclient = new WebClient(); 37 mywebclient.DownloadFile(imgUrl, filepath); 38 //填充行值 39 dr["name"] = Common.JieQuString(Common.JieQuString(trItem[j], "<h3>", "</h3>"), ">", "</a>"); 40 dr["price"] = Common.JieQuString(trItem[j],"<span class=\"price\">￥<b class=''>","</b></span>"); 41 dr["fileName"] = fileName; 42 dr["model"] = Common.JieQuString(trItem[j], "<span>网络模式：</span>", "</li>"); 43 dr["type"] = Common.JieQuString(trItem[j], "<span>网络类型：</span>", "</li>"); 44 dtContact.Rows.Add(dr); 45 } 46 ds.Tables.Add(dtContact.Copy()); 47 string savePath = "E:\\抓数据\\中关村三星手机.xml"; 48 ds.WriteXml(savePath); 49 ds.Tables.Clear(); 50 } 51 else 52 { 53 continue; 54 } 55 i++; 56 } while (flag); 57 } 58 catch (Exception ex) 59 { 60 MessageBox.Show("代码异常:" + ex); 61 } 62 }
-
RunWorkerCompleted代码如下：
1 private void backgroundWorker1_RunWorkerCompleted(object sender, RunWorkerCompletedEventArgs e) 2 { 3 timer1.Stop(); 4 timer1.Enabled = false; 5 MessageBox.Show("ok,见 E:\\抓数据\\中关村三星手机.xml"); 6 }
5.点击窗体抓取数据启动Click事件，代码如下：
1 private void btnGetData_Click(object sender, EventArgs e) 2 { 3 timer1.Enabled = true; 4 timer1.Start(); 5 backgroundWorker1.RunWorkerAsync(); 6 }
6.大功告成。启动程序效果如下：
7.运行完成后查看抓取的数据信息和手机图片如下（把Xml文件拖到Excel中显示）：
总结：此例只是针对Get请求数据的情况，而且当前抓取的网站都是不需要登录的。而在实际生产中肯定有Post请求数据的，也有需要登录的，源码里面的Common类提供了各种场景需要的方法，有兴趣的可以深入研究。
正在看本人博客的这位童鞋，我看你气度不凡，谈吐间隐隐有王者之气，日后必有一番作为！旁边有“推荐”二字，你就顺手把它点了吧，相得准，我分文不收；相不准，你也好回来找我！
标签: 分享