寫在前面

自從上一個項目58HouseSearch從.NET遷移到.NET core之后，磕磕碰碰磨蹭了一個月才正式上線到新版本。
然后最近又開了個新坑，搞了個Dy2018Crawler用來爬dy2018電影天堂上面的電影資源。這里也借機簡單介紹一下如何基于.NET Core寫一個爬蟲。
PS：如有偏錯，敬請指明...
PPS:該去電影院還是多去電影院，畢竟美人良時可無價。

準備工作（.NET Core準備）

首先，肯定是先安裝.NET Core咯。下載及安裝教程在這里：.NET - Powerful Open Source Development。無論你是Windows、linux還是mac，統(tǒng)統(tǒng)可以玩。

我這里的環(huán)境是：Windows10 + VS2015 community updata3 + .NET Core 1.1.0 SDK + .NET Core 1.0.1 tools Preview 2.

理論上，只需要安裝一下 .NET Core 1.1.0 SDK 即可開發(fā).NET Core程序，至于用什么工具寫代碼都無關緊要了。

安裝好以上工具之后，在VS2015的新建項目就可以看到.NET Core的模板了。如下圖：

為了簡單起見，我們創(chuàng)建的時候，直接選擇VS .NET Core tools自帶的模板。

一個爬蟲的自我修養(yǎng)

分析網(wǎng)頁

寫爬蟲之前，我們首先要先去了解一下即將要爬取的網(wǎng)頁數(shù)據(jù)組成。

具體到網(wǎng)頁的話，便是分析我們要抓取的數(shù)據(jù)在HTML里面是用什么標簽抑或有什么樣的標記，然后使用這個標記把數(shù)據(jù)從HTML中提取出來。在我這里的話，用的更多的是HTML標簽的ID和CSS屬性。

以本文章想要爬取的dy2018.com為例,簡單描述一下這個過程。dy2018.com主頁如下圖：

在chrome里面，按F12進入開發(fā)者模式，接著如下圖使用鼠標選擇對應頁面數(shù)據(jù)，然后去分析頁面HTML組成。

接著我們開始分析頁面數(shù)據(jù):

經(jīng)過簡單分析HTML，我們得到以下結(jié)論：

www.dy2018.com首頁的電影數(shù)據(jù)存儲在一個class為co_content222的div標簽里面

電影詳情鏈接為a標簽，標簽顯示文本就是電影名稱，URL即詳情URL

那么總結(jié)下來，我們的工作就是：找到class='co_content222' 的div標簽，從里面提取所有的a標簽數(shù)據(jù)。

開始寫代碼...

之前在寫58HouseSearch項目遷移到asp.net core簡單提過AngleSharp庫，一個基于.NET（C#）開發(fā)的專門為解析xHTML源碼的DLL組件。

AngleSharp主頁在這里：https://anglesharp.github.io/，

博客園文章：解析HTML利器AngleSharp介紹，

Nuget地址:Nuget AngleSharp 安裝命令：Install-Package AngleSharp

獲取電影列表數(shù)據(jù)

private static HtmlParser htmlParser = new HtmlParser();private ConcurrentDictionary<string, MovieInfo> _cdMovieInfo = new ConcurrentDictionary<string, MovieInfo>();private void AddToHotMovieList(){//此操作不阻塞當前其他操作，所以使用Task// _cdMovieInfo 為線程安全字典，存儲了當期所有的電影數(shù)據(jù)Task.Factory.StartNew(()=> {try{//通過URL獲取HTMLvar htmlDoc = HTTPHelper.GetHTMLByURL("http://www.dy2018.com/");//HTML 解析成 IDocumentvar dom = htmlParser.Parse(htmlDoc);//從dom中提取所有class='co_content222'的div標簽//QuerySelectorAll方法接受 選擇器語法 var lstDivInfo = dom.QuerySelectorAll("div.co_content222");if (lstDivInfo != null){//前三個DIV為新電影foreach (var divInfo in lstDivInfo.Take(3)){//獲取div中所有的a標簽且a標簽中含有"/i/"的//Contains("/i/") 條件的過濾是因為在測試中發(fā)現(xiàn)這一塊div中的a標簽有可能是廣告鏈接divInfo.QuerySelectorAll("a").Where(a => a.GetAttribute("href").Contains("/i/")).ToList().ForEach(a =>{//拼接成完整鏈接var onlineURL = "http://www.dy2018.com" + a.GetAttribute("href");//看一下是否已經(jīng)存在于現(xiàn)有數(shù)據(jù)中if (!_cdMovieInfo.ContainsKey(onlineURL)){//獲取電影的詳細信息MovieInfo movieInfo = FillMovieInfoFormWeb(a, onlineURL);//下載鏈接不為空才添加到現(xiàn)有數(shù)據(jù)if (movieInfo.XunLeiDownLoadURLList != null && movieInfo.XunLeiDownLoadURLList.Count != 0){_cdMovieInfo.TryAdd(movieInfo.Dy2018OnlineUrl, movieInfo);}}});}}}catch(Exception ex){}});}

獲取電影詳細信息

private MovieInfo FillMovieInfoFormWeb(AngleSharp.Dom.IElement a, string onlineURL){var movieHTML = HTTPHelper.GetHTMLByURL(onlineURL);var movieDoc = htmlParser.Parse(movieHTML);//http://www.dy2018.com/i/97462.html 分析過程見上，不再贅述//電影的詳細介紹 在id為Zoom的標簽中var zoom = movieDoc.GetElementById("Zoom");//下載鏈接在 bgcolor='#fdfddf'的td中，有可能有多個鏈接var lstDownLoadURL = movieDoc.QuerySelectorAll("[bgcolor='#fdfddf']");//發(fā)布時間 在class='updatetime'的span標簽中var updatetime = movieDoc.QuerySelector("span.updatetime"); var pubDate = DateTime.Now;if(updatetime!=null && !string.IsNullOrEmpty(updatetime.InnerHtml)){//內(nèi)容帶有“發(fā)布時間：”字樣，replace成""之后再去轉(zhuǎn)換，轉(zhuǎn)換失敗不影響流程DateTime.TryParse(updatetime.InnerHtml.Replace("發(fā)布時間：", ""), out pubDate);}var movieInfo = new MovieInfo(){//InnerHtml中可能還包含font標簽，做多一個ReplaceMovieName = a.InnerHtml.Replace("<font color=\"#0c9000\">","").Replace("<font color=\" #0c9000\">","").Replace("</font>", ""),Dy2018OnlineUrl = onlineURL,MovieIntro = zoom != null ? WebUtility.HtmlEncode(zoom.InnerHtml) : "暫無介紹...",//可能沒有簡介，雖然好像不怎么可能XunLeiDownLoadURLList = lstDownLoadURL != null ?lstDownLoadURL.Select(d => d.FirstElementChild.InnerHtml).ToList() : null,//可能沒有下載鏈接PubDate = pubDate,};return movieInfo;}

HTTPHelper

這邊有個小坑，dy2018網(wǎng)頁編碼格式是GB2312,.NET Core默認不支持GB2312，使用Encoding.GetEncoding("GB2312")的時候會拋出異常。

解決方案是手動安裝System.Text.Encoding.CodePages包(Install-Package System.Text.Encoding.CodePages),

然后在Starup.cs的Configure方法中加入Encoding.RegisterProvider(CodePagesEncodingProvider.Instance),接著就可以正常使用Encoding.GetEncoding("GB2312")了。

using System; using System.Net.Http; using System.Net.Http.Headers; using System.Text;namespace Dy2018Crawler {public class HTTPHelper{public static HttpClient Client { get; } = new HttpClient();public static string GetHTMLByURL(string url){try{System.Net.WebRequest wRequest = System.Net.WebRequest.Create(url);wRequest.ContentType = "text/html; charset=gb2312";wRequest.Method = "get";wRequest.UseDefaultCredentials = true;// Get the response instance.var task = wRequest.GetResponseAsync();System.Net.WebResponse wResp = task.Result;System.IO.Stream respStream = wResp.GetResponseStream();//dy2018這個網(wǎng)站編碼方式是GB2312,using (System.IO.StreamReader reader = new System.IO.StreamReader(respStream, Encoding.GetEncoding("GB2312"))){return reader.ReadToEnd();}}catch (Exception ex){Console.WriteLine(ex.ToString());return string.Empty;}}}}

定時任務的實現(xiàn)

定時任務我這里使用的是Pomelo.AspNetCore.TimedJob。

Pomelo.AspNetCore.TimedJob是一個.NET Core實現(xiàn)的定時任務job庫，支持毫秒級定時任務、從數(shù)據(jù)庫讀取定時配置、同步異步定時任務等功能。

由.NET Core社區(qū)大神兼前微軟MVPAmamiyaYuuko(入職微軟之后就卸任MVP...)開發(fā)維護，不過好像沒有開源，回頭問下看看能不能開源掉。

nuget上有各種版本，按需自取。地址：https://www.nuget.org/package...

作者自己的介紹文章：Timed Job - Pomelo擴展包系列

Startup.cs相關代碼

我這邊使用的話，首先肯定是先安裝對應的包：Install-Package Pomelo.AspNetCore.TimedJob -Pre

然后在Startup.cs的ConfigureServices函數(shù)里面添加Service,在Configure函數(shù)里面Use一下。

// This method gets called by the runtime. Use this method to add services to the container.public void ConfigureServices(IServiceCollection services){// Add framework services.services.AddMvc();//Add TimedJob servicesservices.AddTimedJob();}public void Configure(IApplicationBuilder app, IHostingEnvironment env, ILoggerFactory loggerFactory){//使用TimedJobapp.UseTimedJob();if (env.IsDevelopment()){app.UseDeveloperExceptionPage();app.UseBrowserLink();}else{app.UseExceptionHandler("/Home/Error");}app.UseStaticFiles();app.UseMvc(routes =>{routes.MapRoute(name: "default",template: "{controller=Home}/{action=Index}/{id?}");});Encoding.RegisterProvider(CodePagesEncodingProvider.Instance);}

Job相關代碼

接著新建一個類，明明為XXXJob.cs,引用命名空間using Pomelo.AspNetCore.TimedJob，XXXJob繼承于Job，添加以下代碼。

public class AutoGetMovieListJob:Job{// Begin 起始時間；Interval執(zhí)行時間間隔，單位是毫秒，建議使用以下格式，此處為3小時；SkipWhileExecuting是否等待上一個執(zhí)行完成，true為等待；[Invoke(Begin = "2016-11-29 22:10", Interval = 1000 * 3600*3, SkipWhileExecuting =true)]public void Run(){//Job要執(zhí)行的邏輯代碼//LogHelper.Info("Start crawling");//AddToLatestMovieList(100);//AddToHotMovieList();//LogHelper.Info("Finish crawling");}}

項目發(fā)布相關

新增runtimes節(jié)點

使用VS2015新建的模板工程，project.json配置默認是沒有runtimes節(jié)點的.

我們想要發(fā)布到非Windows平臺的時候，需要手動配置一下此節(jié)點以便生成。

"runtimes": {"win7-x64": {},"win7-x86": {},"osx.10.10-x64": {},"osx.10.11-x64": {},"ubuntu.14.04-x64": {}}

刪除/注釋scripts節(jié)點

生成時會調(diào)用node.js腳本構建前端代碼，這個不能確保每個環(huán)境都有bower存在...注釋完事。

//"scripts": {// "prepublish": [ "bower install", "dotnet bundle" ],// "postpublish": [ "dotnet publish-iis --publish-folder %publish:OutputPath% --framework %publish:FullTargetFramework%" ]//},

刪除/注釋dependencies節(jié)點里面的type

"dependencies": {"Microsoft.NETCore.App": {"version": "1.1.0"//"type": "platform"},

project.json的相關配置說明可以看下這個官方文檔：Project.json-file,
或者張善友老師的文章.NET Core系列 ： 2 、project.json 這葫蘆里賣的什么藥

開發(fā)編譯發(fā)布

//還原各種包文件 dotnet restore;//發(fā)布到C:\code\website\Dy2018Crawler文件夾 dotnet publish -r ubuntu.14.04-x64 -c Release -o "C:\code\website\Dy2018Crawler";

最后，照舊開源......以上代碼都在下面找到：

Gayhub地址：https://github.com/liguobao/Dy2018Crawler

在線地址：http://codelover.win/

PS:回頭寫個爬片大家滋持不啊...

本文首發(fā)于：http://codelover.link/2016/12...

新人創(chuàng)作打卡挑戰(zhàn)賽發(fā)博客就能抽獎！定制產(chǎn)品紅包拿不停！

總結(jié)

以上是生活随笔為你收集整理的手把手教你用.NET Core写爬虫的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。