巧用IronPython做更灵活的网页爬虫

由于各种原因，我们经常需要去别的网站采集一些信息，.net下所有相关的技术都已经非常成熟，用Webrequest抓取页面，既支持自定义Reference头，又支持cookie，解析页面一般都是用正则，而且对方网站结构一变，还得重新改代码，重新编译，发布。

如果有了IronPython，可以把抓取和分析的逻辑做成Python脚本，如果对方页面结构变了，只需修改脚本就行了，不需重新编译软件，这样可以用c#做交互和界面部分，用Python封装预期经常变化的部分。

安装好IronPython和vs.net 2010后，还需要下载一个SGMLReader(见参考链接)，这个组件可以把格式不是很严格的HTML转换成格式良好的XML文件，甚至还能增加DTD的验证

我们以抓取百度贴吧页面为例，新建一个Console项目，引用IronPython,Microsoft.Dynamic,Microsoft.Scripting,SgmlReaderDll这些组件，把SGMLReader里的Html.dtd复制到项目目录下，如果没有这个，它会根据doctype去网络上找dtd，然后新建baidu.py的文件，最后在项目属性的生成事件里写上如下代码，把这两个文件拷贝到目标目录里


copy $(ProjectDir)\*.py $(TargetDir)  
copy $(ProjectDir)\*.dtd $(TargetDir)

在baidu.py里首先引用必要的.net程序集


import clr, sys  
clr.AddReference("SgmlReaderDll")  
clr.AddReference("System.Xml")

完了导入我们需要的类


from Sgml import *  
from System.Net import *  
from System.IO import TextReader,StreamReader  
from System.Xml import *  
from System.Text.UnicodeEncoding import UTF8

利用SgmlReader写一个把html转换成xml的函数，注意SystemLiteral属性必须设置，否则就会去网上找dtd了，浪费时间


def fromHtml(textReader):  
    sgmlReader = SgmlReader()  
    sgmlReader.SystemLiteral = "html.dtd" 
    sgmlReader.WhitespaceHandling = WhitespaceHandling.All  
    sgmlReader.CaseFolding = CaseFolding.ToLower  
    sgmlReader.InputStream = textReader  
      
    doc = XmlDocument()  
    doc.PreserveWhitespace = True 
    doc.XmlResolver = None 
    doc.Load(sgmlReader)  
    return doc

利用webrequest写一个支持cookie和网页编码的抓网页方法


def getWebData
(url, method, data = None, cookie = None, encoding = "UTF-8"):  
    req = WebRequest.Create(url)  
    req.Method = method  
      
    if cookie != None:  
        req.CookieContainer = cookie  
      
    if data != None:  
        stream = req.GetRequestStream()  
        stream.Write(data, 0, data.Length)  
          
    rsp = req.GetResponse()  
    reader = StreamReader
(rsp.GetResponseStream(), UTF8.GetEncoding(encoding))  
    return reader

写一个类来定义抓取结果，这个类不需要在c#项目里定义，到时候直接用c# 4.0的dynamic关键字就可以使用


class Post:  
    def __init__(self, hit, comments, title, link, author):  
        self.hit = hit  
        self.comments = comments  
        self.title = title  
        self.link = link  
        self.author = author

定义主要工作的类，__init__大概相当于构造函数，我们传入编码参数，并初始化cookie容器和解析结果，[]是python里的列表，大约相当于c#的List


class BaiDu:  
    def __init__(self,encoding):  
        self.cc = self.cc = CookieContainer()          
        self.encoding = encoding  
        self.posts = []

接下来定义抓取方法，调用getWebData抓网页，然后用fromHtml转换成xml，剩下的就是xml操作，和.net里一样，一看便知


def getPosts(self, url):  
        reader = getWebData
(url, "GET", None, self.cc, self.encoding)  
        doc = fromHtml(reader)  
          
        trs = doc.SelectNodes
("html//table[@id='thread_list_table']/tbody/tr")  
        self.parsePosts(trs)  
      
    def parsePosts(self, trs):  
        for tr in trs:              
            tds = tr.SelectNodes("td")  
            hit = tds[0].InnerText  
            comments = tds[1].InnerText  
            title = tds[2].ChildNodes[1].InnerText  
            link = tds[2].ChildNodes[1].Attributes["href"]  
            author = tds[3].InnerText  
              
            post = Post(hit, comments, title, link, author)  
            self.posts.append(post)

c#代码要创建一个脚本运行环境，设置允许调试，然后执行baidu.py，最后创建一个Baidu的类的实例，并用dynamic关键字引用这个实例


Dictionary options = new Dictionary();  
options["Debug"] = true;  
ScriptEngine engine = Python.CreateEngine(options);  
ScriptScope scope = engine.ExecuteFile("baidu.py");  
dynamic baidu = engine.Operations.Invoke(scope.GetVariable("BaiDu"), "GBK");

接下来调用BaiDu这个python类的方法获取网页抓取结果，然后输出就可以了


baidu.getPosts("http://tieba.baidu.com/f?kw=seo");  
            dynamic posts = baidu.posts;  
            foreach (dynamic post in posts)  
            {  
                Console.WriteLine("{0}   
(回复数:{1})(点击数：{2})[作者:{3}]",  
                    post.title,  
                    post.comments,  
                    post.hit,  
                    post.author);  
            }