老蜗牛写采集:网络爬虫(二)
短小精悍的xNet
这个一个俄国牛人写的开源工具,为啥说他强悍了,因为他将所有Http协议的底层都实现了一遍,这有啥好处?只要你是写爬虫的,都会遇到一个让人抓狂的问题,就是明明知道自己Http请求头跟浏览器一模一样了,为啥还会获取不到自己想要的数据。这时你如果使用HttpWebReaquest,你只能调试到GetRespone,底层的字节流是调试不到了。所以必须得有个更深入的底层组件,方便自己调试。以下是xNet的开源地址:https://github.com/X-rus/xNet
快速入门
快速入门
首先来一个读取cnblogs首页的案例,HttpWebRequest在上一篇已经举例,我们看看xNet是怎么写的
using (var request = new xNet.HttpRequest()){var html = request.Get("http://www.cnblogs.com").ToString();}
增加http头,譬如:
注意,默认的http头,建议用属性进行设置,譬如KeepAlive,Referer和UserAgent
扩展的Http头,譬如Upgrade-Insecure-Requests,可以使用AddHeader方法进行设置譬如
using (var request = new xNet.HttpRequest()){request.AddHeader("Upgrade-Insecure-Requests", "1");var html=request.Get("http://www.cnblogs.com").ToString();}
当然有些方法使用AddHeader和设置属性值是一样的,例如:
request.AddHeader("User-Agent","Mozilla/5.0 (Windows NT 6.3; WOW64; rv:49.0) Gecko/20100101 Firefox/49.0");
request.UserAgent = "Mozilla/5.0 (Windows NT 6.3; WOW64; rv:49.0) Gecko/20100101 Firefox/49.0";
request.UserAgent = xNet.Http.FirefoxUserAgent();
当然不是所有值都可以使用AddHeader进行设置,譬如:Content-Type,这是POST时说明POST的数据类型,如果使用AddHeader会报错。如果你不知道那些可以手动设那些是不能的,参考xNet.HttpHeader的枚举值
public enum HttpHeader{Accept = 0,AcceptCharset = 1,AcceptLanguage = 2,AcceptDatetime = 3,CacheControl = 4,ContentType = 5,Date = 6,Expect = 7,From = 8,IfMatch = 9,IfModifiedSince = 10,IfNoneMatch = 11,IfRange = 12,IfUnmodifiedSince = 13,MaxForwards = 14,Pragma = 15,Range = 16,Referer = 17,Upgrade = 18,UserAgent = 19,Via = 20,Warning = 21,DNT = 22,AccessControlAllowOrigin = 23,AcceptRanges = 24,Age = 25,Allow = 26,ContentEncoding = 27,ContentLanguage = 28,ContentLength = 29,ContentLocation = 30,ContentMD5 = 31,ContentDisposition = 32,ContentRange = 33,ETag = 34,Expires = 35,LastModified = 36,Link = 37,Location = 38,P3P = 39,Refresh = 40,RetryAfter = 41,Server = 42,TransferEncoding = 43,}
xNet常用模块
Post提交数据,偷懒,直接用官方的示例
using (var request = new HttpRequest())
{var reqParams = new RequestParams();reqParams["login"] = "neo";reqParams["password"] = "knockknock";string content = request.Post("www.whitehouse.gov", reqParams).ToString();
}
等同于
using (var request = new xNet.HttpRequest()){var html = request.Post("www.whitehouse.gov","login=neo&password=knockknock", "application/x-www-form-urlencoded").ToString();}
application/x-www-form-urlencoded是form提交,默认是application/octet-stream,用于上传图片资源之类的,其实我觉得应该Form提交设置为默认,估计表单提交比较常用
会使用Post之后,我们就可以做模拟登陆了,本来想举博客园登陆的例子,奈何dudu做了一系列的防自动登陆措施,所以也就作罢。其实如果真正想破其实也不难,很多公钥都写在页面上了,只要写一个RSA加密算法便可以得到加密后的用户名密码了。有兴趣的人可以研究一下。
还有一个注意的地方,我比较推荐使用第一种方式,因为参数在内核里面就会UrlEncode了,如果自己拼凑地址的话,如果英文是没问题,但是中文或者其他文字就得UrlEncode一下了,譬如:"login="+System.Web.HttpUtility.UrlEncode("老蜗牛")+"&password=knockknock"这里要强烈抗议一下UrlEncode的方法应该放在System.Net的空间比较合适,因为做爬虫没必要使用System.Web命名空间,当然也有牛X的网友早就写了一个替代品
//不用引用System.Webpublic static string ToUrlEncode(string strCode, Encoding encoding){StringBuilder sb = new StringBuilder();byte[] byStr = encoding.GetBytes(strCode);System.Text.RegularExpressions.Regex regKey = new System.Text.RegularExpressions.Regex("^[A-Za-z0-9]+$");for (int i = 0; i < byStr.Length; i++){string strBy = Convert.ToChar(byStr[i]).ToString();if (regKey.IsMatch(strBy)){//是字母或者数字则不进行转换sb.Append(strBy);}else{sb.Append(@"%" + Convert.ToString(byStr[i], 16));}}return (sb.ToString());}
包含文件的表单
using (var request = new HttpRequest())
{var multipartContent = new MultipartContent(){{new StringContent("Bill Gates"), "login"},{new StringContent("qwerthahaha"), "password"},{new FileContent(@"C:\windows_9_alpha.rar"), "file1", "1.rar"}};request.Post("www.microsoft.com", multipartContent).None();
}
设置Cookie值,这在模拟登陆和验证码会经常用到
using (var request = new xNet.HttpRequest()){request.Cookies = new xNet.CookieDictionary(){{"SERVERID", "9ffd301069c1081a14d128e0c97deda8|1478866092|1478862527"}};var html = request.Get("http://www.cnblogs.com").ToString();}
等同于
using (var request = new xNet.HttpRequest()){request.AddHeader("Set-Cookie","SERVERID=9ffd301069c1081a14d128e0c97deda8|1478866092|1478862527;Path=/");var html=request.Get("http://www.cnblogs.com").ToString();}
使用Http代理
var proxyClient = HttpProxyClient.Parse("127.0.0.1:8080");
var tcpClient = proxyClient.CreateConnection("habrahabr.ru", 80);
当然他还支持Socks4和Socks5,代理的好处不言而喻了。当然在挠头找服务端的童鞋可以上https://github.com/NewLifeX/X 里面有一个http代理服务器,非常强悍。不会弄的可以加石头的群。
其他更多的功能就不一一举例了,有星期可以加群研究研究。
一下篇会讲讲如何获取页面数据,主要是靠HtmlAgilityPack组件或者正则,两者各有各的优势。如果等不及可以看看我的好友老董写的一篇文章
C#+HtmlAgilityPack+XPath带你采集数据(以采集天气数据为例子)
C#.NET开源项目、机器学习、足球赛事资料库
开源Q群:302961959
足球研究技术群:142780296
转载于:https://www.cnblogs.com/weitaoxiaozhu/p/6037928.html
老蜗牛写采集:网络爬虫(二)相关推荐
- python网络爬虫程序_Python写的网络爬虫程序(很简单)
Python写的网络爬虫程序(很简单) 这是我的一位同学传给我的一个小的网页爬虫程序,觉得挺有意思的,和大家分享一下.不过有一点需要注意,要用python2.3,如果用python3.4会有些问题出现 ...
- 用c语言写一个网络爬虫
(同步个人博客 http://sxysxy.org/blogs/28 到csdn 写一个网络爬虫 写一个网络爬虫,来获取一个网站上感兴趣的信息. 最基本的模型 就是图.每个页面看作一个节点,若页面A有 ...
- python urllib.request 爬虫 数据处理-使用Python3.5写简单网络爬虫
<一>用urllib库访问URL并采集网络数据 -1. 直接采集 发送请求,打开URL,打印传回的数据(html文件) - 2. 模拟真实浏览器访问 1)发送http头信息(header) ...
- python简单爬虫代码-使用Python3.5写简单网络爬虫
<一>用urllib库访问URL并采集网络数据 -1. 直接采集 发送请求,打开URL,打印传回的数据(html文件) - 2. 模拟真实浏览器访问 1)发送http头信息(header) ...
- 手把手教你写Python网络爬虫:网易云音乐歌单
介绍 什么是爬虫? 先看看百度百科的定义: 网络爬虫 简单的说网络爬虫(Web crawler)也叫做网络铲(Web scraper).网络蜘蛛(Web spider),其行为一般是先"爬& ...
- 网络爬虫(二)——Xpath和Selenium的使用
文章目录 2 网络爬虫进阶 2.1 Xpath 2.1.1 Xpath解析原理 2.1.2 信息提取 2.1.2.1 获取所有结点 2.1.2.2 获取子节点 2.1.2.3 获取父节点 2.1.2. ...
- 网易教程python_手把手教你写Python网络爬虫(1):网易云音乐歌单
摘要:从零开始写爬虫,初学者的速成指南! 需要免费获取本文章讲解的视频+源码,关注+转发此文然后私信我回复"音乐"即可领取资料,也欢迎大家和我一起交流学习Python,共同成长 封 ...
- 用Python写一个网络爬虫爬取网页中的图片
写一个爬虫爬取百度贴吧中一个帖子图片 网址:壁纸 用谷歌浏览器的开发工具检查网页,可以发现其每一张图片都有如下格式 <img class="BDE_Image" src=&q ...
- 用pycharm进行python爬虫的步骤_使用Pycharm写一个网络爬虫
在初步了解网络爬虫之后,我们接下来就要动手运用Python来爬取网页了. 我们知道,网络爬虫应用一般分为两个步骤: 1.通过网页链接获取内容: 2.对获得的网页内容进行处理 这两个步骤需要分别使用不同 ...
最新文章
- springmvc【问题1】跨域
- 好的视频编解码网址和博文地址
- RHEL5搭建apache服务器全过程(四)配置heartbeat和ipvsadm
- 安装php遇到的问题
- Office365----Project Online SKUs Change
- C++网络编程快速入门(三):阻塞与非阻塞式调用网络通信函数
- 球弹跳高度的计算(信息学奥赛一本通-T1085)
- win10计算机更新后网络卡,win10电脑更新完卡死 win10电脑更新完卡死解决办法
- c++之EXTERN详细讲解
- 3分钟搞懂什么是WPF。
- php源码内网穿透,PHP DDOS源码
- 软件开发部分文档说明
- 强烈推荐张玉宏《深度学习之美》成书前的《深度学习系列十四篇》
- kafka问题之Listener method could not be invoked with the incoming message
- HTML:超文本标记语言
- html css小圆圈,jquery+css3实现会动的小圆圈效果
- thinkPHP6解析二维码
- Wen Quan Yi - Open Source Chinese: About
- Windows系统截屏有那么多方法,你知道吗?
- python和labview的区别_测量仪器科普:LabVIEW与虚拟仪器那点事