DotnetSpider (一) 架构的理解、应用、搭建

** 温馨提示：如需转载本文，请注明内容出处。**

本文链接:http://www.cnblogs.com/grom/p/8931650.html 

本文Demo:https://github.com/Grom-Li/DataSpider 适用版本: 2.5.0、2.5.1

最近在做爬虫，之前一直在使用 HttpWebRequest 和 WebClient ,很方便快捷，也很适合新手，但随着抓取任务的增多，多任务，多库等情况的出现，使用一个优秀的爬虫框架是十分必要的。于是开始接触dotnetspider。

　　

借鉴一下框架的设计图，在引入dotnetspider的NuGet包后，我基本也是按照这个进行了分层

　　

Data.Spider - 存放前台页面(Winform、控制台)和实体爬虫(EntitySpider)等，相当于发起请求的起点。

Spider.Downloader - 封装请求等信息，可实现自定义cookie等，非必须。

Spider.Processor - 处理器，继承 IPageProcessor 实现对抓取内容的处理

Spider.Pipe - 管道，我将它理解为经过了 Processor 处理后的一个回调，将处理好的数据存储(文件、数据库等)

Spider.Entity - 数据实体类，继承 SpiderEntity

Spider.Command - 一些常用的公用命令，我这目前存放着转数据格式类，后台执行JS类，SqlHelper(因架构自带数据库管道，暂时没用)等

这样的分层也是参考了源码的示例

　　

随着这几天的尝试，真的发现这个框架真的非常灵活，以凹凸租车的爬虫为例，上代码

　　实体类：

[EntityTable("CarWinsSpider", "AtzucheCar", EntityTable.Today)]
[EntitySelector(Expression = "$.data.content[*]", Type = SelectorType.JsonPath)]

public class AtzucheModel : SpiderEntity
{
　　/// <summary>
　　/// 车辆编号
　　/// </summary>
　　[PropertyDefine(Expression = "$.carNo", Type = SelectorType.JsonPath)]
　　public int carNo { get; set; }
　　/// <summary>
　　/// 品牌
　　/// </summary>
　　//[ReplaceFormatter(NewValue = "", OldValue = "
")]
　　//[ReplaceFormatter(NewValue = "", OldValue = "	")]
　　//[ReplaceFormatter(NewValue = "", OldValue = "&nbsp;")]
　　//[ReplaceFormatter(NewValue = "", OldValue = "
")]
　　//[ReplaceFormatter(NewValue = "", OldValue = """)]
　　//[ReplaceFormatter(NewValue = "", OldValue = " ")]
　　[PropertyDefine(Expression = "$.brand", Type = SelectorType.JsonPath)]
　　public string brand { get; set; }
　　/// <summary>
　　/// 地址
　　/// </summary>
　　[PropertyDefine(Expression = "$.carAddr", Type = SelectorType.JsonPath)]
　　public string carAddr { get; set; }
　　/// <summary>
　　/// 车系
　　/// </summary>
　　[PropertyDefine(Expression = "$.type", Type = SelectorType.JsonPath)]
　　public string type { get; set; }
　　/// <summary>
　　/// 排量
　　/// </summary>
　　[PropertyDefine(Expression = "$.sweptVolum", Type = SelectorType.JsonPath)]
　　public string sweptVolum { get; set; }
　　/// <summary>
　　/// 图片
　　/// </summary>
　　[PropertyDefine(Expression = "$.coverPic", Type = SelectorType.JsonPath)]
　　public string coverPic { get; set; }
　　/// <summary>
　　/// 日租金
　　/// </summary>
　　[PropertyDefine(Expression = "$.dayPrice", Type = SelectorType.JsonPath)]
　　public int dayPrice { get; set; }
　　/// <summary>
　　/// 公里数
　　/// </summary>
　　[PropertyDefine(Expression = "$.distance", Type = SelectorType.JsonPath)]
　　public string distance { get; set; }
　　/// <summary>
　　/// 评分
　　/// </summary>
　　[PropertyDefine(Expression = "$.evalScore", Type = SelectorType.JsonPath)]
　　public string evalScore { get; set; }
　　[PropertyDefine(Expression = "$.gbType", Type = SelectorType.JsonPath)]
　　public string gbType { get; set; }
　　/// <summary>
　　/// 车牌
　　/// </summary>
　　[PropertyDefine(Expression = "$.plateNum", Type = SelectorType.JsonPath)]
　　public string plateNum { get; set; }
　　[PropertyDefine(Expression = "$.replyTag", Type = SelectorType.JsonPath)]
　　public string replyTag { get; set; }
　　[PropertyDefine(Expression = "$.transCount", Type = SelectorType.JsonPath)]
　　public string transCount { get; set; }
　　/// <summary>
　　/// 年款
　　/// </summary>
　　[PropertyDefine(Expression = "$.year", Type = SelectorType.JsonPath)]
　　public int year { get; set; }
　　[PropertyDefine(Expression = "$.isPrivilege", Type = SelectorType.JsonPath)]
　　public int isPrivilege { get; set; }
　　[PropertyDefine(Expression = "$.isRecommend", Type = SelectorType.JsonPath)]
　　public int isRecommend { get; set; }
　　[PropertyDefine(Expression = "$.isUpgrade", Type = SelectorType.JsonPath)]
　　public int isUpgrade { get; set; }
　　[PropertyDefine(Expression = "$.lat", Type = SelectorType.JsonPath)]
　　public string lat { get; set; }
　　[PropertyDefine(Expression = "$.lon", Type = SelectorType.JsonPath)]
　　public string lon { get; set; }
　　[PropertyDefine(Expression = "$.queryId", Type = SelectorType.JsonPath)]
　　public string queryId { get; set; }
　　[PropertyDefine(Expression = "$.supplyCarService", Type = SelectorType.JsonPath)]
　　public int supplyCarService { get; set; }
　　[PropertyDefine(Expression = "$.freeCarService", Type = SelectorType.JsonPath)]
　　public int freeCarService { get; set; }
　　[PropertyDefine(Expression = "$.isShenMaCar", Type = SelectorType.JsonPath)]
　　public int isShenMaCar { get; set; }
　　[PropertyDefine(Expression = "$.supportGetReturn", Type = SelectorType.JsonPath)]
　　public int supportGetReturn { get; set; }
　　[PropertyDefine(Expression = "$.confirmation", Type = SelectorType.JsonPath)]
　　public int confirmation { get; set; }
}

 

起始：

　　

/// <summary>
/// 应用程序的主入口点。
/// </summary>
[STAThread]
static void Main()
{
　　var site = new Site
　　{
　　　　CycleRetryTimes = 1,
　　　　SleepTime = 200,
　　　　Headers = new Dictionary<string, string>()
　　　　{
　　　　　　{"Accept","application/json, text/javascript, */*; q=0.01" },
　　　　　　{"Accept-Encoding","gzip, deflate" },
　　　　　　{"gzip, deflate","zh-CN,zh;q=0.9" },
　　　　　　{"X-Requested-With","XMLHttpRequest" },
　　　　　　{ "Referer", "http://www.atzuche.com/hz/car/search"},
　　　　　　{ "Connection","keep-alive" },
　　　　　　{ "Content-Type","application/json;charset=UTF-8" },
　　　　　　{ "Host","www.atzuche.com"},
　　　　　　{ "User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36"}
　　　　}
　　};
　　List<Request> resList = new List<Request>();

　　Request res = new Request();
　　//res.PostBody = $"id=7&j=%7B%22createMan%22%3A%2218273159100%22%2C%22createTime%22%3A1518433690000%2C%22row%22%3A5%2C%22siteUserActivityListId%22%3A8553%2C%22siteUserPageRowModuleId%22%3A84959%2C%22topids%22%3A%22%22%2C%22wherePhase%22%3A%221%22%2C%22wherePreferential%22%3A%220%22%2C%22whereUsertype%22%3A%220%22%7D&page={i}&shopid=83106681";//据说是post请求需要
　　res.Url = "http://www.atzuche.com/car/searchListMap/2?cityCode=330100&sceneCode=U002&filterCondition%5Blon%5D=120.219294&filterCondition%5Blat%5D=30.259258&filterCondition%5Bseq%5D=4&pageNum=1&pageSize=0";
　　res.Method = System.Net.Http.HttpMethod.Get;

　　resList.Add(res);

　　var spider = DotnetSpider.Core.Spider.Create(site, new QueueDuplicateRemovedScheduler(), new AtzucheProcessor())
　　　　.AddStartRequests(resList.ToArray())//页面抓取整理
　　　　.AddPipeline(new AtzuchePipe());//数据回调

　　//----------------------------------
　　spider.Monitor = new DotnetSpider.Core.Monitor.NLogMonitor();
　　spider.Downloader = new AtzucheDownloader(); //new DotnetSpider.Core.Downloader.HttpClientDownloader();
　　spider.ClearSchedulerAfterComplete = false;//爬虫结束后不取消调度器
　　//----------------------------------

　　spider.ThreadNum = 1;
　　spider.Run();

　　Console.WriteLine("Press any key to continue...");
　　Console.Read();

}

这里也可将整个抓取方法当做一个Spider实例单独放置 -> EntitySpider

 

　　

/// <summary>
/// 应用程序的主入口点。
/// </summary>
[STAThread]
static void Main()
{
　　AtzucheEntitySpider dDengEntitySpider = new AtzucheEntitySpider();
　　dDengEntitySpider.AddPageProcessor(new AtzucheProcessor());//控制器
　　dDengEntitySpider.AddPipeline(new AtzuchePipe());//回调
　　dDengEntitySpider.ThreadNum = 1;
　　dDengEntitySpider.Run();
　　Console.WriteLine("Press any key to continue...");
　　Console.Read();
}

Downloader

对目标的请求全部包含着这里，可以根据需要自行设置，下篇将进行自定义Request的应用

public class AtzucheDownloader : BaseDownloader
{
　　protected override Page DowloadContent(Request request, ISpider spider)
　　{ 
　　　　return new HttpClientDownloader().Download(request, spider);
　　}

　　//v2.5.0+版本
　　protected override Task<Page> DowloadContent(Request request, ISpider spider)
　　{
　　　　return new HttpClientDownloader().Download(request, spider);
　　}
}

 

新建爬虫实体类 （如在Main里写入实体爬虫，此方法可省略）

public class AtzucheEntitySpider : EntitySpider
{
　　protected override void MyInit(params string[] arguments)
　　{
　　　　AddPipeline(new SqlServerEntityPipeline("Server=.;Database=AuzucheSpider;uid=sa;pwd=123;MultipleActiveResultSets=true"));//注意连接字符串中数据库不能带 .  亲测报错。。。
　　　　AddStartUrl("http://www.atzuche.com/car/searchListMap/2?cityCode=330100&sceneCode=U002&filterCondition%5Blon%5D=120.219294&filterCondition%5Blat%5D=30.259258&filterCondition%5Bseq%5D=4&pageNum=1&pageSize=0");
　　　　AddEntityType<AtzucheModel>();//如添加此实体类，框架将会根据此实体类上面的特性选择进行匹配，匹配成功后插入数据库，固可以省略Processor和Pipe，或者不使用此句，通过控制器和回调自定义存储方法
　　}

public AtzucheEntitySpider() : base("AuzucheSpider", new Site
{
　　CycleRetryTimes = 1,
　　SleepTime = 200,
　　Headers = new Dictionary<string, string>()
　　{
　　　　{"Accept","application/json, text/javascript, */*; q=0.01" },
　　　　{"Accept-Encoding","gzip, deflate" },
　　　　{"gzip, deflate","zh-CN,zh;q=0.9" },
　　　　{"X-Requested-With","XMLHttpRequest" },
　　　　{ "Referer", "http://www.atzuche.com/hz/car/search"},
　　　　{ "Connection","keep-alive" },
　　　　{ "Content-Type","application/json;charset=UTF-8" },
　　　　{ "Host","www.atzuche.com"},
　　　　{ "User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36"}
　　}
　　})
　　{
　　}

}

 

接下来是处理器：

解析抓取的数据封装到"AtzucheList"内，可Pipe内通过此名称获取处理好的数据。

public class AtzucheProcessor : IPageProcessor
{
　　public void Process(Page page, ISpider spider)
　　{
　　　　List<AtzucheModel> list = new List<AtzucheModel>();
　　　　var html = page.Selectable.JsonPath("$.data.content").GetValue();
　　　　list = JsonConvert.DeserializeObject<List<AtzucheModel>>(html);
　　　　page.AddResultItem("AtzucheList", list);
　　}
}

最后是回调，可在此加入保存数据的代码，至此结束。

public class AtzuchePipe : BasePipeline
{
　　public override void Process(IEnumerable<ResultItems> resultItems, ISpider spider)
　　{
　　　　var result = new List<AtzucheModel>();
　　　　foreach (var resultItem in resultItems)
　　　　{
　　　　　　Console.WriteLine((resultItem.Results["AtzucheList"] as List<AtzucheModel>).Count);
　　　　　　foreach (var item in (resultItem.Results["AtzucheList"] as List<AtzucheModel>))
　　　　　　{
　　　　　　　　result.Add(new AtzucheModel()
　　　　　　　　{
　　　　　　　　　　carNo = item.carNo
　　　　　　　　});
　　　　　　　　Console.WriteLine($"{item.carNo}:{item.type} ");
　　　　　　}
　　　　}
　　}
}

 　　结果图:

总体来说，此框架对新手还是很友好的，灵活写法可以让我们有较多的方式去实现爬虫，因为这个爬虫比较简单，就先写到这里，未来如果可能，会再尝试使用框架内的多线程、代理等功能，如有心得将继续分享，希望能对跟我一样的新手有所帮助，十分感谢。