采集博客园
今天ModestMT.Zou发布了DotnetSpider爬虫第二章节，内容简单明了，基本看懂了，于是想自己试试看，直接就拿博客园开刀了。
这里有最基本的使用方式，本文章不介绍
[开源 .NET 跨平台 数据采集 爬虫框架: DotnetSpider] [二] 最基本，最自由的使用方式
这里我已经从https://github.com/zlzforever/DotnetSpider上下载代码并编译通过
这里用的是VS2015，因为此项目有些C#6.0语法糖
首先，用VS2015新建一个控件台程序，命名为DotnetSpiderDemo
新建一个数据对象
|
1
2
3
4
5
6
7
8
9
10
|
public class Cnblog { public string Title { get; set; } public string Url { get; set; } public string Author { get; set; } public string Conter { get; set; } } |
先引用两个Dll类库
Java2Dotnet.Spider.Core.dll
Newtonsoft.Json.dll
如果你编译DotnetSpider成功的话，可以在output目录中找到
现在来写数据处理器，实现 IPageProcessor 这个接口
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
/// <summary> /// 页面列表处理器 /// </summary> public class PageListProcessor : IPageProcessor { public Site Site{get; set; } public void Process(Page page) { var totalCnblogElements = page.Selectable.SelectList(Selectors.XPath("//div[@class='post_item']")).Nodes(); List<Cnblog> results = new List<Cnblog>(); foreach (var cnblogElement in totalCnblogElements) { var cnblog = new Cnblog(); cnblog.Title = cnblogElement.Select(Selectors.XPath(".//div[@class='post_item_body']/h3/a")).GetValue(); cnblog.Url = cnblogElement.Select(Selectors.XPath(".//div[@class='post_item_body']/h3")).Links().GetValue(); cnblog.Author = cnblogElement.Select(Selectors.XPath(".//div[@class='post_item_foot']/a[1]")).GetValue(); results.Add(cnblog); } page.AddResultItem("Result", results); } } |
关于XPath,可以到这里学习http://www.w3school.com.cn/xpath/，我也是下午刚看了一遍，因为有XML/HTML基础，基本没压力
关于XPath表达式如何写，我觉得用谷歌审核元素就足够了，可以复制XPath。也有一款谷歌XPath插件，因我翻不了墙，就没安装。
如下图：//*[@id="post_list"]/div[20]/div[2]/h3/a，然后再按需改改
数据存取
需要实现 IPipeline这个接口，然后你想保存到文件或数据库就自己选择
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
|
public class ListPipeline : IPipeline { private string _path; public ListPipeline(string path) { if (string.IsNullOrEmpty(path)) { throw new Exception("文件名不能为空！"); } _path = path; if (!File.Exists(_path)) { File.Create(_path); } } public void Dispose() { } public void Process(ResultItems resultItems, ISpider spider) { lock (this) { foreach (Cnblog entry in resultItems.Results["Result"]) { File.AppendAllText(_path, JsonConvert.SerializeObject(entry)); } } } |
接下来在Program的Main方法中写运行代码
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
class Program { static void Main(string[] args) { var site = new Site() { EncodingName = "UTF-8" }; for (int i = 1; i <= 30; i++)//30页 { site.AddStartUrl( } Spider spider = Spider.Create(site, new PageListProcessor(), new QueueDuplicateRemovedScheduler()).AddPipeline(new ListPipeline("test.json")).SetThreadNum(2);//两个线程 spider.Run(); Console.Read(); } } |
这样每一页信息就被保存起来了，但到这里还没完，一般情况不仅仅是采集列表页，也会采集详细页，于是我又添加了两个类，暂时我是这样实现的，但感觉有点慢
添加页面详细数据处理器
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
/// <summary> /// 页面详细处理器 /// </summary> public class PageDetailProcessor : IPageProcessor { private Cnblog cnblog; public PageDetailProcessor(Cnblog _cnblog) { cnblog = _cnblog; } public Site Site { get; set; } public void Process(Page page) { cnblog.Conter=page.Selectable.Select(Selectors.XPath("//*[@id='cnblogs_post_body']")).GetValue(); page.AddResultItem("detail",cnblog); } } |
再添加页面详细数据保存
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
|
public class DetailPipeline : IPipeline { private string path; public DetailPipeline(string _path) { if (string.IsNullOrEmpty(_path)) { throw new Exception("路径不能为空！"); } path = _path; if (!Directory.Exists(_path)) { Directory.CreateDirectory(_path); } } public void Dispose() { } public void Process(ResultItems resultItems, ISpider spider) { Cnblog cnblog=resultItems.Results["detail"]; FileStream fs=File.Create(path + "\" + cnblog.Title + ".txt"); byte[] bytes=UTF8Encoding.UTF8.GetBytes("Url:"+cnblog.Url+Environment.NewLine+cnblog.Conter); fs.Write(bytes,0,bytes.Length); fs.Flush(); fs.Close(); } } |
修改ListPipeline这个类RequestDetail方法，我的想法是列表数据保存一次就请求一次详细页，然后再保存详细页
所有详细页都保存在details这个目录下
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
|
public class ListPipeline : IPipeline { private string _path; public ListPipeline(string path) { if (string.IsNullOrEmpty(path)) { throw new Exception("文件名不能为空！"); } _path = path; if (!File.Exists(_path)) { File.Create(_path); } } public void Dispose() { } public void Process(ResultItems resultItems, ISpider spider) { lock (this) { foreach (Cnblog entry in resultItems.Results["Result"]) { File.AppendAllText(_path, JsonConvert.SerializeObject(entry)); RequestDetail(entry); } } } /// <summary> /// 请求详细页 /// </summary> /// <param name="entry"></param> private static void RequestDetail(Cnblog entry) { ISpider spider; var site = new Site() {EncodingName = "UTF-8"}; site.AddStartUrl(entry.Url); spider = Spider.Create(site, new PageDetailProcessor(entry), new QueueDuplicateRemovedScheduler()) .AddPipeline(new DetailPipeline("details")) .SetThreadNum(1); spider.Run(); } } |
其它代码保持不变，运行程序，现在已经能保存详细页内容了
最后，程序运行下来没什么大问题，但就是在采集详细页时比较慢，我的想法是把所有详细页一起加到调度中心，然后开多个线程去运行，这个有待学习。
采集博客园
今天ModestMT.Zou发布了DotnetSpider爬虫第二章节，内容简单明了，基本看懂了，于是想自己试试看，直接就拿博客园开刀了。
这里有最基本的使用方式，本文章不介绍
[开源 .NET 跨平台 数据采集 爬虫框架: DotnetSpider] [二] 最基本，最自由的使用方式
这里我已经从https://github.com/zlzforever/DotnetSpider上下载代码并编译通过
这里用的是VS2015，因为此项目有些C#6.0语法糖
首先，用VS2015新建一个控件台程序，命名为DotnetSpiderDemo
新建一个数据对象
|
1
2
3
4
5
6
7
8
9
10
|
public class Cnblog { public string Title { get; set; } public string Url { get; set; } public string Author { get; set; } public string Conter { get; set; } } |
先引用两个Dll类库
Java2Dotnet.Spider.Core.dll
Newtonsoft.Json.dll
如果你编译DotnetSpider成功的话，可以在output目录中找到
现在来写数据处理器，实现 IPageProcessor 这个接口
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
/// <summary> /// 页面列表处理器 /// </summary> public class PageListProcessor : IPageProcessor { public Site Site{get; set; } public void Process(Page page) { var totalCnblogElements = page.Selectable.SelectList(Selectors.XPath("//div[@class='post_item']")).Nodes(); List<Cnblog> results = new List<Cnblog>(); foreach (var cnblogElement in totalCnblogElements) { var cnblog = new Cnblog(); cnblog.Title = cnblogElement.Select(Selectors.XPath(".//div[@class='post_item_body']/h3/a")).GetValue(); cnblog.Url = cnblogElement.Select(Selectors.XPath(".//div[@class='post_item_body']/h3")).Links().GetValue(); cnblog.Author = cnblogElement.Select(Selectors.XPath(".//div[@class='post_item_foot']/a[1]")).GetValue(); results.Add(cnblog); } page.AddResultItem("Result", results); } } |
关于XPath,可以到这里学习http://www.w3school.com.cn/xpath/，我也是下午刚看了一遍，因为有XML/HTML基础，基本没压力
关于XPath表达式如何写，我觉得用谷歌审核元素就足够了，可以复制XPath。也有一款谷歌XPath插件，因我翻不了墙，就没安装。
如下图：//*[@id="post_list"]/div[20]/div[2]/h3/a，然后再按需改改
数据存取
需要实现 IPipeline这个接口，然后你想保存到文件或数据库就自己选择
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
|
public class ListPipeline : IPipeline { private string _path; public ListPipeline(string path) { if (string.IsNullOrEmpty(path)) { throw new Exception("文件名不能为空！"); } _path = path; if (!File.Exists(_path)) { File.Create(_path); } } public void Dispose() { } public void Process(ResultItems resultItems, ISpider spider) { lock (this) { foreach (Cnblog entry in resultItems.Results["Result"]) { File.AppendAllText(_path, JsonConvert.SerializeObject(entry)); } } } |
接下来在Program的Main方法中写运行代码
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
class Program { static void Main(string[] args) { var site = new Site() { EncodingName = "UTF-8" }; for (int i = 1; i <= 30; i++)//30页 { site.AddStartUrl( } Spider spider = Spider.Create(site, new PageListProcessor(), new QueueDuplicateRemovedScheduler()).AddPipeline(new ListPipeline("test.json")).SetThreadNum(2);//两个线程 spider.Run(); Console.Read(); } } |
这样每一页信息就被保存起来了，但到这里还没完，一般情况不仅仅是采集列表页，也会采集详细页，于是我又添加了两个类，暂时我是这样实现的，但感觉有点慢
添加页面详细数据处理器
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
/// <summary> /// 页面详细处理器 /// </summary> public class PageDetailProcessor : IPageProcessor { private Cnblog cnblog; public PageDetailProcessor(Cnblog _cnblog) { cnblog = _cnblog; } public Site Site { get; set; } public void Process(Page page) { cnblog.Conter=page.Selectable.Select(Selectors.XPath("//*[@id='cnblogs_post_body']")).GetValue(); page.AddResultItem("detail",cnblog); } } |
再添加页面详细数据保存
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
|
public class DetailPipeline : IPipeline { private string path; public DetailPipeline(string _path) { if (string.IsNullOrEmpty(_path)) { throw new Exception("路径不能为空！"); } path = _path; if (!Directory.Exists(_path)) { Directory.CreateDirectory(_path); } } public void Dispose() { } public void Process(ResultItems resultItems, ISpider spider) { Cnblog cnblog=resultItems.Results["detail"]; FileStream fs=File.Create(path + "\" + cnblog.Title + ".txt"); byte[] bytes=UTF8Encoding.UTF8.GetBytes("Url:"+cnblog.Url+Environment.NewLine+cnblog.Conter); fs.Write(bytes,0,bytes.Length); fs.Flush(); fs.Close(); } } |
修改ListPipeline这个类RequestDetail方法，我的想法是列表数据保存一次就请求一次详细页，然后再保存详细页
所有详细页都保存在details这个目录下
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
|
public class ListPipeline : IPipeline { private string _path; public ListPipeline(string path) { if (string.IsNullOrEmpty(path)) { throw new Exception("文件名不能为空！"); } _path = path; if (!File.Exists(_path)) { File.Create(_path); } } public void Dispose() { } public void Process(ResultItems resultItems, ISpider spider) { lock (this) { foreach (Cnblog entry in resultItems.Results["Result"]) { File.AppendAllText(_path, JsonConvert.SerializeObject(entry)); RequestDetail(entry); } } } /// <summary> /// 请求详细页 /// </summary> /// <param name="entry"></param> private static void RequestDetail(Cnblog entry) { ISpider spider; var site = new Site() {EncodingName = "UTF-8"}; site.AddStartUrl(entry.Url); spider = Spider.Create(site, new PageDetailProcessor(entry), new QueueDuplicateRemovedScheduler()) .AddPipeline(new DetailPipeline("details")) .SetThreadNum(1); spider.Run(); } } |
其它代码保持不变，运行程序，现在已经能保存详细页内容了
最后，程序运行下来没什么大问题，但就是在采集详细页时比较慢，我的想法是把所有详细页一起加到调度中心，然后开多个线程去运行，这个有待学习。