一、爬虫概述

C#(99):HttpClient网络HTTP请求和相应

1、使用浏览器获取页面源码

  1. C#使用Selenium
  2. Web browser控件CefSharp的使用

2、HTML解析组件

  1. HtmlAgilityPackhttps://github.com/zzzprojects/html-agility-pack/
  2. Fizzler.Systems.HtmlAgilityPackhttps://www.nuget.org/packages/Fizzler.Systems.HtmlAgilityPack
    Fizzler是用于文档层次结构的W3C选择器解析器和通用选择器框架。这个包使Fizzler优于HTMLAgilityPack,为HtmlNode对象添加了QuerySelector和QuerySelectorAll(来自选择器API Level 1)。
  3. Jumony(2014年不更新了):https://github.com/Ivony/Jumony

二、HtmlAgilityPack介绍

参考:

GitHub:https://github.com/zzzprojects/html-agility-pack/releases

官网:https://html-agility-pack.net/

https://www.nuget.org/packages/HtmlAgilityPack/

HtmlAgilityPack(以下简称HAP)是一个基于.Net的、第三方免费开源的微型类库,主要用于在服务器端解析html文档。

HtmlAgilityPack为网页提供了标准的DOM API和XPath导航 。使用WebBrowser和HttpWebRequest下载的网页可以用Html Agility Pack来解析。

Xpath表达式的参考文档可见:https://www.cnblogs.com/springsnow/p/11810458.html#_label0

三、属性和方法

HtmlAgilityPack中的HtmlNode类与XmlNode类差不多,HtmlDocument类与XmlDocument类差不多。

参考:https://www.cnblogs.com/springsnow/p/12883050.html

1、属性:

  • OwnerDocument节点所在的HtmlDocument文档
  • Attributes 获取节点的属性集合
  • ParentNode:获取该节点的父节点
  • ChildNodes获取子节点集合(包括文本节点)
  • FirstChild 获取第一个子节点
  • LastChild 获取最后一个子节点
  • Id 获取该节点的Id属性
  • NameHtml元素名
  • NodeType 获取该节点的节点类型
  • InnerHtml 获取该节点的Html代码
  • InnerText 获取该节点的内容,与InnerHtml不同的地方在于它会过滤掉Html代码,而InnerHtml是连Html代码一起输出
  • OuterHtml 整个节点的代码
  • PreviousSibling: 获取前一个兄弟节点
  • NextSibling 获取下一个兄弟节点
  • HasAttributes 判断该节点是否含有属性
  • HasChildNodes 判断该节点是否含有子节点
  • HasClosingAttributes 判断该节点的关闭标签是否含有属性(</xxx class="xxx">)
  • Closed该节点是否已关闭(</xxx>)
  • ClosingAttributes在关闭标签的属性集合StreamPosition: 该节点位于整个Html文档的字符位置
  • XPath: 根据节点返回该节点的XPath

2、方法:

  • Load (string path) 从路径中加载一个文档
  • SelectNodes (string xpath) 根据XPath获取一个节点集合
  • SelectSingleNode (string xpath) 根据XPath获取唯一的一个节
  • Ancestors () 返回此元素的所有上级节点的集合。
  • DescendantNodes () 获取所有子代节点
  • Element (string name) 根据参数名获取一个元素
  • Elements (string name) 根据参数名获取匹配的元素集合
  • GetAttributeValue(string name, bool def) 帮助方法,用来获取此节点的属性的值(布尔类型)。如果未找到该属性,则将返回默认值。
  • ChildAttributes(string name) 获取所有子元素的属性(参数名要与元素名匹配)
  • IsEmptyElement(string name) 确定是否一个空的元素节点。
  • IsOverlappedClosingElement(string text) 确定是否文本对应于一个节点可以保留重叠的结束标记。
  • AppendChild(HtmlNode newChild) 将参数元素追加到为调用元素的子元素(追加在最后)
  • PrependChild(HtmlNode newChild) 将参数中的元素作为子元素,放在调用元素的最前面
  • Clone() 本节点克隆到一个新的节点
  • CopyFrom(HtmlNode node) 创建重复的节点和其下的子树。
  • CreateNavigator() 返回的一个对于此文档的XPathNavigator
  • CreateNode(string html) 静态方法,允许用字符串创建一个新节点
  • CreateRootNavigator() 创建一个根路径的XPathNavigator
  • InsertAfter(HtmlNode newChild, HtmlNode refChild) 将一个节点插入到第二个参数节点的后面,与第二个参数是兄弟关系
  • InsertBefore(HtmlNode newChild, HtmlNode refChild) 将一个节点插入到第二个参数节点的后面,与第二个参数是兄弟关系
  • Remove() 从父集合中移除调用节点
  • SetAttributeValue(string name, string value) 设置调用节点的属性
  • WriteContentTo() 将该节点的所有子级都保存到一个字符串中。
  • WriteTo() 将当前节点保存到一个字符串中。
  • Save(string filename) 将HTML文档保存到指定的路径

四、用法举例

下面是几个简单使用说明:

1、获取网页title:

doc.DocumentNode.SelectSingleNode("//title").InnerText;//XPath中:“//title”表示所有title节点。SelectSingleNode用于获取满足条件的唯一的节点。

2、获取所有的超链接:

doc.DocumentNode.Descendants("a")

3、获取name为kw的input,也就是相当于getElementsByName():

var kwBox = doc.DocumentNode.SelectSingleNode("//input[@name='kw']");

示例:

private void Form1_Load(object sender, EventArgs e)
{
List<Result> list = new List<Result>();
HtmlWeb htmlWeb = new HtmlWeb();
htmlWeb.OverrideEncoding = Encoding.UTF8;//编码,这里网上有些很多写法都不正确
HtmlAgilityPack.HtmlDocument htmlDoc = htmlWeb.Load(@http://www.cnblogs.com/);
//选择博客园首页文章列表
htmlDoc.DocumentNode.SelectNodes("//div[@id='post_list']/div[@class='post_item']").//双斜杠“//”表示从跟节点开始查找
AsParallel().ToList().ForEach(ac =>
{
//抓取图片,因为有空的,所以拿变量存起来
HtmlNode node = ac.SelectSingleNode(".//p[@class='post_item_summary']/a/img");
list.Add(new Result
{
url = ac.SelectSingleNode(".//a[@class='titlelnk']").Attributes["href"].Value,
title = ac.SelectSingleNode(".//a[@class='titlelnk']").InnerText,
//图片如果为空,显示默认图片
img = node == null ? "http ://www.cnblogs.com//Content/img/avatar.png" : node.Attributes["src"].Value,
content = ac.SelectSingleNode(".//p[@class='post_item_summary']").InnerText
});
}); foreach (Result item in list)
{
this.listBox1.Items.Add(item.title);
}
}
/// <summary>
/// 页面抓取结果
/// </summary>
public class Result
{
/// <summary>
/// 链接
/// </summary>
public string url { get; set; }
/// <summary>
/// 标题
/// </summary>
public string title { get; set; }
/// <summary>
/// 头像地址
/// </summary>
public string img { get; set; }
/// <summary>
/// 正文内容
/// </summary>
public string content { get; set; }
}

示例2:下载微软文档

using HtmlAgilityPack;
using System;
using System.Collections.Generic;
using System.IO;
using System.Text; namespace ConsoleApp4
{
internal class Program
{
private static void Main(string[] args)
{
//网页地址:
string Url = "https://docs.microsoft.com/zh-cn/aspnet/mvc/overview/getting-started/getting-started-with-ef-using-mvc/implementing-inheritance-with-the-entity-framework-in-an-asp-net-mvc-application"; List<string> list = new List<string>(); ;
HtmlWeb htmlWeb = new HtmlWeb();
htmlWeb.OverrideEncoding = Encoding.UTF8; HtmlDocument htmlDoc = htmlWeb.Load(Url); HtmlNode node = htmlDoc.DocumentNode.SelectSingleNode("//main[@id='main']"); //去掉英文翻译
var a = node.SelectNodes("//span[@class='sxs-lookup']");
foreach (HtmlNode b in a) {
b.Remove();
} string src = "";
//图片相对路径改成绝对路径
var imgNode = node.SelectNodes("//img[@data-linktype='relative-path']");
foreach (HtmlNode node1 in imgNode)
{
src = node1.GetAttributeValue("src", "");
var url = new Uri(htmlWeb.ResponseUri, src);
node1.SetAttributeValue("src", url.AbsoluteUri);
} //链接路径转换
var hrefNode = node.SelectNodes("//a[@data-linktype='relative-path']|//a[@data-linktype='absolute-path']");
foreach (HtmlNode node1 in hrefNode)
{
src = node1.GetAttributeValue("href", "");
var url = new Uri(htmlWeb.ResponseUri, src);
node1.SetAttributeValue("href", url.AbsoluteUri);
} //找到所有的H2标签,然后加上顺序。
var h2Node = node.SelectNodes("//h2");
var arr = new string[] { "一", "二", "三", "四", "五", "六", "七", "八", "九", "十", "十一", "十二", "十三", "十四", "十五", "十六", "十七", "十八", "十九", "二十" };
if (h2Node != null)
{
for (int i = 0; i < h2Node.Count; i++)
{
h2Node[i].InnerHtml = arr[i] + "、" + h2Node[i].InnerHtml;
//找到所有的H3标签,然后加上顺序。 var h3Node = h2Node[i].SelectNodes("following-sibling::h2|following-sibling::h3");
if (h3Node is null)
break;
for (int j = 0; j < h3Node.Count; j++)
{
if (h3Node[j].Name == "h2")
break;
else
h3Node[j].InnerHtml = (j + 1) + "、" + h3Node[j].InnerHtml;
}
}
}
HtmlNode myNOde = htmlDoc.CreateElement("div"); //去掉前面无用的部分
var OK = node.SelectNodes("nav[1]/following-sibling::*");
myNOde.AppendChildren(OK); //添加原文连接:
HtmlNode nodeOriUrl = htmlDoc.CreateElement("p");
nodeOriUrl.InnerHtml = "原文:<a href='" + htmlWeb.ResponseUri + "'>" + htmlWeb.ResponseUri + "</a>";
myNOde.PrependChild(nodeOriUrl); //写入到本地文件
TextWriter wr = new StreamWriter(@"aa.html");
myNOde.WriteTo(wr);
wr.Close();
}
}
}

五、Fizzler.Systems.HtmlAgilityPack:

Hazz为HTMLAgilityPack实现CSS选择器。它基于Fizzler,一个通用的CSS选择器解析器和生成器库。

Hazz以前称为Fizzler.Systems.HtmlAgilityPack。

// Load the document using HTMLAgilityPack as normal
var html = new HtmlDocument();
html.LoadHtml(@"
<html>
<head></head>
<body>
<div>
<p class='content'>Fizzler</p>
<p>CSS Selector Engine</p></div>
</body>
</html>"); // Fizzler for HtmlAgilityPack is implemented as the
// QuerySelectorAll extension method on HtmlNode var document = html.DocumentNode; // yields: [<p class="content">Fizzler</p>]
document.QuerySelectorAll(".content"); // yields: [<p class="content">Fizzler</p>,<p>CSS Selector Engine</p>]
document.QuerySelectorAll("p"); // yields empty sequence
document.QuerySelectorAll("body>p"); // yields [<p class="content">Fizzler</p>,<p>CSS Selector Engine</p>]
document.QuerySelectorAll("body p"); // yields [<p class="content">Fizzler</p>]
document.QuerySelectorAll("p:first-child");

最新文章

  1. 利用SimpleExpandableListAdapter为ExpandableListActivity提供数据
  2. 【原】命令行方式开启WIFI热点
  3. java文档
  4. codevs1064 虫食算
  5. 转 XenServer、XenCenter安装测试
  6. Flask 与 Celery 在 windows 下的集成问题
  7. jquery的extend和fn.extend的使用说明
  8. request重定向或者是response转发请求后面的代码依然执行
  9. Java vs Python
  10. 【错排问题】【HDU2048】神、上帝以及老天爷
  11. 痛苦的版本对齐(3) cygwin下的路径引用
  12. B/S结构和C/S结构
  13. 数据库外连接及MySQL实现
  14. 图解MBR分区无损转换GPT分区+UEFI引导安装WIN8.1
  15. Unity3D-RayMarch-几何图元-3添加阴影
  16. 《深入浅出nodejs》读书笔记(1)
  17. python requests 正则爬虫
  18. RandomForest中的feature_importance
  19. cURL函数库错误码说明之PHP curl_errno函数
  20. c++ 网络编程课设入门超详细教程 ---目录

热门文章

  1. golang中的标准库context
  2. python开发之函数
  3. python使用制表符或者换行符来添加空白--3
  4. 码风QwQ
  5. 幂等性是数学中的一个概念,表达的是N次变换与1次变换的结果相同
  6. 掌握这些常用Linux命令,一起提升工作效率
  7. CF1408G Clusterization Counting
  8. Windows点击更改适配器选项出现的网络连接为空
  9. JVM学习九-(复习)HotSpot 垃圾收集器
  10. Function.prototype.bind、call与apply