.NET Core 下的爬蟲利器

本著研究學(xué)習(xí)的目的，記錄一下在 .NET Core 下抓取數(shù)據(jù)的實際案例。爬蟲代碼一般具有時效性，當(dāng)我們的目標發(fā)生改版升級，規(guī)則轉(zhuǎn)換后我們寫的爬蟲代碼就會失效，需要重新應(yīng)對。抓取數(shù)據(jù)的主要思路就是去分析目標網(wǎng)站的頁面邏輯，利用xpath、正則表達式等知識去解析網(wǎng)頁拿到我們想要的數(shù)據(jù)。

本篇主要簡單介紹三個組件的使用，HtmlAgilityPack、AngleSharp、PuppeteerSharp，前兩個可以處理傳統(tǒng)的頁面，無法抓取單頁應(yīng)用，如果需要抓取單頁應(yīng)用可以使用PuppeteerSharp。

關(guān)于這三個組件庫的實際應(yīng)用可以參考一下定時任務(wù)最佳實戰(zhàn)系列文章。

新建一個控制臺項目，抓取幾個站點的數(shù)據(jù)來試試，先做準備工作，添加一個IHotNews的接口。

using?System.Collections.Generic;
using?System.Threading.Tasks;

namespace?SpiderDemo
{
????public?interface?IHotNews
????{
????????Task>?GetHotNewsAsync();
????}
}

HotNews模型，包含標題和鏈接

namespace?SpiderDemo
{
????public?class?HotNews
????{
????????public?string?Title?{?get;?set;?}

????????public?string?Url?{?get;?set;?}
????}
}

最終我們通過依賴注入的方式，將抓取到的數(shù)據(jù)展示到控制臺中。

HtmlAgilityPack

• https://html-agility-pack.net/
• https://github.com/zzzprojects/html-agility-pack

在項目中安裝HtmlAgilityPack組件

Install-Package HtmlAgilityPack

這里以博客園為抓取目標，我們抓取首頁的文章標題和鏈接。

using?HtmlAgilityPack;
using?System.Collections.Generic;
using?System.Linq;
using?System.Threading.Tasks;

namespace?SpiderDemo
{
????public?class?HotNewsHtmlAgilityPack?:?IHotNews
????{
????????public?async?Task>?GetHotNewsAsync()
????????{
????????????var?list?=?new?List();

????????????var?web?=?new?HtmlWeb();

????????????var?htmlDocument?=?await?web.LoadFromWebAsync("https://www.cnblogs.com/");

????????????var?node?=?htmlDocument.DocumentNode.SelectNodes("http://*[@id='post_list']/article/section/div/a").ToList();

????????????foreach?(var?item?in?node)
????????????{
????????????????list.Add(new?HotNews
????????????????{
????????????????????Title?=?item.InnerText,
????????????????????Url?=?item.GetAttributeValue("href",?"")
????????????????});
????????????}

????????????return?list;
????????}
????}
}

添加HotNewsHtmlAgilityPack.cs實現(xiàn)IHotNews接口，訪問博客園網(wǎng)址，拿到HTML數(shù)據(jù)后，使用xpath語法解析HTML，這里主要是拿到a標簽即可。

通過查看網(wǎng)頁分析可以得到這個xpath：//*[@id='post_list']/article/section/div/a。

然后在Program.cs中注入IHotNews，循環(huán)遍歷看看效果。

using?Microsoft.Extensions.DependencyInjection;
using?System;
using?System.Linq;
using?System.Threading.Tasks;

namespace?SpiderDemo
{
????class?Program
????{
????????static?async?Task?Main(string[]?args)
????????{
????????????IServiceCollection?service?=?new?ServiceCollection();

????????????service.AddSingleton();

????????????var?provider?=?service.BuildServiceProvider().GetRequiredService();

????????????var?list?=?await?provider.GetHotNewsAsync();

????????????if?(list.Any())
????????????{
????????????????Console.WriteLine($"一共{list.Count}條數(shù)據(jù)");

????????????????foreach?(var?item?in?list)
????????????????{
????????????????????Console.WriteLine($"{item.Title}\t{item.Url}");
????????????????}
????????????}
????????????else
????????????{
????????????????Console.WriteLine("無數(shù)據(jù)");
????????????}
????????}
????}
}

AngleSharp

• https://anglesharp.github.io/
• https://github.com/AngleSharp/AngleSharp

在項目中安裝AngleSharp組件

Install-Package AngleSharp

同樣的，新建一個HotNewsAngleSharp.cs也實現(xiàn)IHotNews接口，這次使用AngleSharp抓取。

using?AngleSharp;
using?System.Collections.Generic;
using?System.Threading.Tasks;

namespace?SpiderDemo
{
????public?class?HotNewsAngleSharp?:?IHotNews
????{
????????public?async?Task>?GetHotNewsAsync()
????????{
????????????var?list?=?new?List();

????????????var?config?=?Configuration.Default.WithDefaultLoader();
????????????var?address?=?"https://www.cnblogs.com";
????????????var?context?=?BrowsingContext.New(config);
????????????var?document?=?await?context.OpenAsync(address);

????????????var?cellSelector?=?"article.post-item";
????????????var?cells?=?document.QuerySelectorAll(cellSelector);

????????????foreach?(var?item?in?cells)
????????????{
????????????????var?a?=?item.QuerySelector("section>div>a");
????????????????list.Add(new?HotNews
????????????????{
????????????????????Title?=?a.TextContent,
????????????????????Url?=?a.GetAttribute("href")
????????????????});
????????????}

????????????return?list;
????????}
????}
}

AngleSharp解析數(shù)據(jù)和HtmlAgilityPack的方式有所不同，AngleSharp可以利用css規(guī)則去獲取數(shù)據(jù)，用起來也是挺方便的。

在Program.cs中注入IHotNews，循環(huán)遍歷看看效果。

using?Microsoft.Extensions.DependencyInjection;
using?System;
using?System.Linq;
using?System.Threading.Tasks;

namespace?SpiderDemo
{
????class?Program
????{
????????static?async?Task?Main(string[]?args)
????????{
????????????IServiceCollection?service?=?new?ServiceCollection();

????????????service.AddSingleton();

????????????var?provider?=?service.BuildServiceProvider().GetRequiredService();

????????????var?list?=?await?provider.GetHotNewsAsync();

????????????if?(list.Any())
????????????{
????????????????Console.WriteLine($"一共{list.Count}條數(shù)據(jù)");

????????????????foreach?(var?item?in?list)
????????????????{
????????????????????Console.WriteLine($"{item.Title}\t{item.Url}");
????????????????}
????????????}
????????????else
????????????{
????????????????Console.WriteLine("無數(shù)據(jù)");
????????????}
????????}
????}
}

PuppeteerSharp

• https://www.puppeteersharp.com/
• https://github.com/hardkoded/puppeteer-sharp

PuppeteerSharp是基于Puppeteer的，Puppeteer?是一個Google 開源的NodeJS 庫，它提供了一個高級API 來通過DevTools協(xié)議控制Chromium 瀏覽器。Puppeteer 默認以無頭(Headless) 模式運行，但是可以通過修改配置運行“有頭”模式。

PuppeteerSharp可以干很多事情，不光可以用來抓取單頁應(yīng)用，還可以用來生成頁面PDF或者圖片，可以做自動化測試等。

在項目中安裝PuppeteerSharp組件

Install-Package PuppeteerSharp

使用PuppeteerSharp第一次會幫我們在項目根目錄中下載瀏覽器執(zhí)行程序，這個取決于當(dāng)前網(wǎng)速的快慢，建議手動下載后放在指定位置即可。

using?PuppeteerSharp;
using?System.Threading.Tasks;

namespace?SpiderDemo
{
????class?Program
????{
????????static?async?Task?Main(string[]?args)
????????{
????????????//?下載瀏覽器執(zhí)行程序
????????????await?new?BrowserFetcher().DownloadAsync(BrowserFetcher.DefaultRevision);

????????????//?創(chuàng)建一個瀏覽器執(zhí)行實例
????????????using?var?browser?=?await?Puppeteer.LaunchAsync(new?LaunchOptions
????????????{
????????????????Headless?=?true,
????????????????Args?=?new?string[]?{?"--no-sandbox"?}
????????????});

????????????//?打開一個頁面
????????????using?var?page?=?await?browser.NewPageAsync();

????????????//?設(shè)置頁面大小
????????????await?page.SetViewportAsync(new?ViewPortOptions
????????????{
????????????????Width?=?1920,
????????????????Height?=?1080
????????????});
????????}
????}
}

上面這段代碼是初始化PuppeteerSharp必要的代碼，可以根據(jù)實際開發(fā)需要進行修改，下面以"https://juejin.im"為例，演示幾個常用操作。

獲取單頁應(yīng)用HTML

...
var?url?=?"https://juejin.im";
await?page.GoToAsync(url,?WaitUntilNavigation.Networkidle0);
var?content?=?await?page.GetContentAsync();
Console.WriteLine(content);

可以看到頁面上的HTML全部被獲取到了，這時候就可以利用規(guī)則解析HTML，拿到我們想要的數(shù)據(jù)了。

保存為圖片

...
var?url?=?"https://juejin.im/";
await?page.GoToAsync(url,?WaitUntilNavigation.Networkidle0);

await?page.ScreenshotAsync("juejin.png");

保存為PDF

var?url?=?"https://juejin.im/";
await?page.GoToAsync(url,?WaitUntilNavigation.Networkidle0);

await?page.PdfAsync("juejin.pdf");

PuppeteerSharp的功能還有很多，比如頁面注入HTML、執(zhí)行JS代碼等，使用的時候可以參考官網(wǎng)示例。