手把手教你用.NET Core写爬虫

写在前面

自从上一个项目58HouseSearch从.NET迁移到.NET core之后，磕磕碰碰磨蹭了一个月才正式上线到新版本。
然后最近又开了个新坑，搞了个Dy2018Crawler用来爬dy2018电影天堂上面的电影资源。这里也借机简单介绍一下如何基于.NET Core写一个爬虫。
PS：如有偏错，敬请指明...
PPS:该去电影院还是多去电影院，毕竟美人良时可无价。

准备工作（.NET Core准备）

首先，肯定是先安装.NET Core咯。下载及安装教程在这里：.NET - Powerful Open Source Development。无论你是Windows、linux还是mac，统统可以玩。

我这里的环境是：Windows10 + VS2015 community updata3 + .NET Core 1.1.0 SDK + .NET Core 1.0.1 tools Preview 2.

理论上，只需要安装一下 .NET Core 1.1.0 SDK 即可开发.NET Core程序，至于用什么工具写代码都无关紧要了。

安装好以上工具之后，在VS2015的新建项目就可以看到.NET Core的模板了。如下图：

为了简单起见，我们创建的时候，直接选择VS .NET Core tools自带的模板。

一个爬虫的自我修养

分析网页

写爬虫之前，我们首先要先去了解一下即将要爬取的网页数据组成。

具体到网页的话，便是分析我们要抓取的数据在HTML里面是用什么标签抑或有什么样的标记，然后使用这个标记把数据从HTML中提取出来。在我这里的话，用的更多的是HTML标签的ID和CSS属性。

以本文章想要爬取的dy2018.com为例,简单描述一下这个过程。dy2018.com主页如下图：

在chrome里面，按F12进入开发者模式，接着如下图使用鼠标选择对应页面数据，然后去分析页面HTML组成。

接着我们开始分析页面数据:

经过简单分析HTML，我们得到以下结论：

www.dy2018.com首页的电影数据存储在一个class为co_content222的div标签里面
电影详情链接为a标签，标签显示文本就是电影名称，URL即详情URL

那么总结下来，我们的工作就是：找到class='co_content222' 的div标签，从里面提取所有的a标签数据。

开始写代码...

之前在写58HouseSearch项目迁移到asp.net core简单提过AngleSharp库，一个基于.NET（C#）开发的专门为解析xHTML源码的DLL组件。

AngleSharp主页在这里：https://anglesharp.github.io/，
博客园文章：解析HTML利器AngleSharp介绍，
Nuget地址:Nuget AngleSharp 安装命令：Install-Package AngleSharp

获取电影列表数据

private static HtmlParser htmlParser = new HtmlParser();private  ConcurrentDictionary<string, MovieInfo> _cdMovieInfo = new ConcurrentDictionary<string, MovieInfo>();private void AddToHotMovieList(){//此操作不阻塞当前其他操作，所以使用Task// _cdMovieInfo 为线程安全字典，存储了当期所有的电影数据Task.Factory.StartNew(()=> {try{//通过URL获取HTMLvar htmlDoc = HTTPHelper.GetHTMLByURL("http://www.dy2018.com/");//HTML 解析成 IDocumentvar dom = htmlParser.Parse(htmlDoc);//从dom中提取所有class='co_content222'的div标签//QuerySelectorAll方法接受 选择器语法 var lstDivInfo = dom.QuerySelectorAll("div.co_content222");if (lstDivInfo != null){//前三个DIV为新电影foreach (var divInfo in lstDivInfo.Take(3)){//获取div中所有的a标签且a标签中含有"/i/"的//Contains("/i/") 条件的过滤是因为在测试中发现这一块div中的a标签有可能是广告链接divInfo.QuerySelectorAll("a").Where(a => a.GetAttribute("href").Contains("/i/")).ToList().ForEach(a =>{//拼接成完整链接var onlineURL = "http://www.dy2018.com" + a.GetAttribute("href");//看一下是否已经存在于现有数据中if (!_cdMovieInfo.ContainsKey(onlineURL)){//获取电影的详细信息MovieInfo movieInfo = FillMovieInfoFormWeb(a, onlineURL);//下载链接不为空才添加到现有数据if (movieInfo.XunLeiDownLoadURLList != null && movieInfo.XunLeiDownLoadURLList.Count != 0){_cdMovieInfo.TryAdd(movieInfo.Dy2018OnlineUrl, movieInfo);}}});}}}catch(Exception ex){}});}

获取电影详细信息

 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 分析过程见上，不再赘述//电影的详细介绍 在id为Zoom的标签中var zoom = movieDoc.GetElementById("Zoom");//下载链接在 bgcolor='#fdfddf'的td中，有可能有多个链接var lstDownLoadURL = movieDoc.QuerySelectorAll("[bgcolor='#fdfddf']");//发布时间 在class='updatetime'的span标签中var updatetime = movieDoc.QuerySelector("span.updatetime"); var pubDate = DateTime.Now;if(updatetime!=null && !string.IsNullOrEmpty(updatetime.InnerHtml)){//内容带有“发布时间：”字样，replace成""之后再去转换，转换失败不影响流程DateTime.TryParse(updatetime.InnerHtml.Replace("发布时间：", ""), out pubDate);}var movieInfo = new MovieInfo(){//InnerHtml中可能还包含font标签，做多一个ReplaceMovieName = a.InnerHtml.Replace("<font color=\"#0c9000\">","").Replace("<font color=\"    #0c9000\">","").Replace("</font>", ""),Dy2018OnlineUrl = onlineURL,MovieIntro = zoom != null ? WebUtility.HtmlEncode(zoom.InnerHtml) : "暂无介绍...",//可能没有简介，虽然好像不怎么可能XunLeiDownLoadURLList = lstDownLoadURL != null ?lstDownLoadURL.Select(d => d.FirstElementChild.InnerHtml).ToList() : null,//可能没有下载链接PubDate = pubDate,};return movieInfo;}

HTTPHelper

这边有个小坑，dy2018网页编码格式是GB2312,.NET Core默认不支持GB2312，使用Encoding.GetEncoding("GB2312")的时候会抛出异常。

解决方案是手动安装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),接着就可以正常使用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这个网站编码方式是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;}}}}

定时任务的实现

定时任务我这里使用的是Pomelo.AspNetCore.TimedJob。

Pomelo.AspNetCore.TimedJob是一个.NET Core实现的定时任务job库，支持毫秒级定时任务、从数据库读取定时配置、同步异步定时任务等功能。

由.NET Core社区大神兼前微软MVPAmamiyaYuuko(入职微软之后就卸任MVP...)开发维护，不过好像没有开源，回头问下看看能不能开源掉。

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

作者自己的介绍文章：Timed Job - Pomelo扩展包系列

Startup.cs相关代码

我这边使用的话，首先肯定是先安装对应的包：Install-Package Pomelo.AspNetCore.TimedJob -Pre

然后在Startup.cs的ConfigureServices函数里面添加Service,在Configure函数里面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相关代码

接着新建一个类，明明为XXXJob.cs,引用命名空间using Pomelo.AspNetCore.TimedJob，XXXJob继承于Job，添加以下代码。

    public class AutoGetMovieListJob:Job{// Begin 起始时间；Interval执行时间间隔，单位是毫秒，建议使用以下格式，此处为3小时；SkipWhileExecuting是否等待上一个执行完成，true为等待；[Invoke(Begin = "2016-11-29 22:10", Interval = 1000 * 3600*3, SkipWhileExecuting =true)]public void Run(){//Job要执行的逻辑代码//LogHelper.Info("Start crawling");//AddToLatestMovieList(100);//AddToHotMovieList();//LogHelper.Info("Finish crawling");}}

项目发布相关

新增runtimes节点

使用VS2015新建的模板工程，project.json配置默认是没有runtimes节点的.

我们想要发布到非Windows平台的时候，需要手动配置一下此节点以便生成。

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

删除/注释scripts节点

生成时会调用node.js脚本构建前端代码，这个不能确保每个环境都有bower存在...注释完事。

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

删除/注释dependencies节点里面的type

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

project.json的相关配置说明可以看下这个官方文档：Project.json-file,
或者张善友老师的文章.NET Core系列： 2 、project.json 这葫芦里卖的什么药

开发编译发布

//还原各种包文件
dotnet restore;//发布到C:\code\website\Dy2018Crawler文件夹
dotnet publish -r ubuntu.14.04-x64 -c Release -o "C:\code\website\Dy2018Crawler";

最后，照旧开源......以上代码都在下面找到：

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

在线地址：http://codelover.win/

PS:回头写个爬片大家滋持不啊...

本文首发于：http://codelover.link/2016/12...