文章抓取之下载图片和文件

自己开发的公众号，可以领取淘宝内部优惠券

来到新公司后第一个任务就是让我给编辑部的人抓文章，文章抓取工具公司已经开发了一个，我也就直接拿来用了，结果用的很不习惯，操作太繁琐里面的代码逻辑也是比较混乱。所以我就大刀阔斧对它进行了一番修改。我主要还是希望能使这个工具尽量的通用一些，虽说各个网站都不一样，但抓了几天后还是发现有些共同的东西的。通过设置各个元素的xpath表达式，基本可以解决大部分的网站抓取。

1.抽取出文章列表的标题链接 ，一般的标题链接都是放在ul或者是div里面的a标签，而这些ul和div往往都会设置一个class属性，于是文章的xpath一般可以设置：//div[@class='title']

2.列表页都是会有分页的，通过设置起始页和末页的大小，进行一个循环即可

3.根据上面的文章链接获取内容的链接后，就可以发出一个http请求获取正文部分，正文部分如果是文本还是比较好解决，最多的要求就是去掉每个网站的广告。运气好些你会碰到一些仁慈点的网站，广告所在的元素会有一些明显的特征，如加了id或是class属性，这样就可以设置要过滤的节点来进行过滤

4.暂时还在想...............

 最后要讲讲文章正文部分不单单是文本呢，有图片的，甚至还有下载资料(如rar，zip压缩包)的 怎么办。起初工具里是可以支持下载图片的，而且我发现它使用的是WebClient 实现文件下载的。如果下载地址是绝对定位的形式可以下载。如果图片是根据参数动态生成的就麻烦了，会报Uri格式错误。

最后下载的实现大概这样：

 1             Stream stream = _response.GetResponseStream();
 2             FileStream fs = new FileStream(filePath + fileName, FileMode.Create);
 3 
 4             //1kb下载
 5             //byte[] _buffer=new byte[1024];
 6             //int count = stream.Read(_buffer, 0, _buffer.Length);
 7             //while (count > 0)
 8             //{
 9             //    fs.Write(_buffer, 0, _buffer.Length);
10             //    count = stream.Read(_buffer, 0, _buffer.Length);
11             //}
12 
13             //fs.Flush();
14             //fs.Close();
15             //stream.Close();
16             
17             //逐字节下载
18             int size;
19             while ((size = stream.ReadByte()) != -1)
20             {
21                 fs.WriteByte(Convert.ToByte(size));
22             }
23             stream.Close();
24             fs.Flush();

25             fs.Close(); 

 

 

 现在下载是一个字节一个字节来从Stream中读取，感觉比较慢些。自己也试了1kb来读取可是发现读取的文章图片是这样的：

 

不仅图片有问题，下载的rar这些文件也是打不开的。如果一个字节一个字节则一切都OK：