使用HtmlAgilityPack实现简单的博客园主页内容抓取（2014-03-31）

---

一、时间：

　　2014-03-31  18:08:32，又到了下班的时间了，忙了一天，也累了，中午都没吃饭。。。。。

---

二、事件：

　　win8刚出来那会，有个想法，想做一个第三方的博客园软件应用，奈何技术太渣，琐事良多，只能不了了之，最近想自己做个网站，于是就想抓取园子里面的内容，因为每天看博客都会让我成长，学到很多！

---

三、实现方法：

　　本来想自己存取网页，利用正则解析页面，奈何到解析标题时各种问题，而且自己想想也知道效率不是很高，于是就有了使用HtmlAgilityPack（下载地址：http://htmlagilitypack.codeplex.com/，开源的dll，很不错！）来实现网页解析，也可以用微软自己的mshtml，相对而言HtmlAgilityPack更好，于是就用了！

---

四、代码简单实现：

using System;
using System.Collections;
using System.IO;
using System.Net;
using System.Text;
using System.Text.RegularExpressions;
using HtmlAgilityPack;
namespace 测试
{
    class Program
    {
        static void Main(string[] args)
        {
            ////指定请求
            //HttpWebRequest request = (HttpWebRequest)WebRequest.Create("http://www.cnblogs.com/#p2");

            ////得到返回
            //HttpWebResponse response = (HttpWebResponse)request.GetResponse();

            ////得到流
            //Stream recStream = response.GetResponseStream();

            ////编码方式
            //Encoding gb2312 = Encoding.UTF8;

            ////指定转换为gb2312编码
            //StreamReader sr = new StreamReader(recStream, gb2312);

            ////以字符串方式得到网页内容
            //String content = sr.ReadToEnd();

            WebClient wc = new WebClient();
            wc.BaseAddress = "http://www.cnblogs.com/sitehome/p/2";
            wc.Encoding = Encoding.UTF8;
            HtmlDocument doc = new HtmlDocument();
            string html = wc.DownloadString("http://www.cnblogs.com/sitehome/p/2");
            doc.LoadHtml(html);
            string listNode = "/html/body/div[1]/div[4]/div[6]";
            string[] title = new string[20];
            string[] digest = new string[20];
            string[] time = new string[20];
            string[] uriList = new string[20];
            string str;
            HtmlNode node;
            for(int i=0;i<20;i++)
            {
                str = listNode + "/div[" + (i+1) + "]/div[2]/h3[1]";
                node = doc.DocumentNode.SelectSingleNode(str);
                title[i]=node.InnerText;
                str = listNode + "/div[" + (i+1) + "]/div[2]/p[1]";
                node = doc.DocumentNode.SelectSingleNode(str);
                digest[i] = node.InnerText;
                str = listNode + "/div[" + (i+1) + "]/div[2]/div[1]";
                node = doc.DocumentNode.SelectSingleNode(str);
                Regex r = new Regex("\s20\d\d-\d\d-\d\d\s\d\d:\d\d");
                Match m = r.Match(node.InnerText);
                time[i] = m.ToString();

                str = listNode + "/div[" + (i + 1) + "]/div[2]/h3[1]/a[1]";
                node = doc.DocumentNode.SelectSingleNode(str);
                uriList[i] = node.Attributes["href"].Value;
            }
            foreach(string str2 in title)
            {
                Console.WriteLine(str2);
            }
            foreach (string str2 in uriList)
            {
                Console.WriteLine(str2);
            }
            foreach (string str2 in time)
            {
                Console.WriteLine(str2);
            }
            Console.ReadKey();         
        }

---

五、结果：

---

六、简单说明：

　　　　　前20行博客主题

　　　　　中间20行博客地址

　　　　　后面20行时间

---

七、注意：

        1. http://www.cnblogs.com/sitehome/p/2 ：主页第二页，前面使用http://www.cnblogs.com/#p2一直不行，看了源码部分的js才明白，

　　　2.本人技术有限，不喜勿喷，但是欢迎提意见交流，

　　   3.本人新建一群：交友&&知识学习&&职业交流，希望：互帮互助，互相学习。。。。闲人勿进，有意请冒泡一下！