前言
在一個小項目中,需要用到京東的所有商品ID,因此就用c#寫了個簡單的爬蟲。
在解析HTML中沒有使用正則表達式，而是借助開源項目HtmlAgilityPack解析HTML。
下面話不多說了，來一起看看詳細的介紹吧
一、下載網頁HTML
首先我們寫一個公共方法用來下載網頁的HTML。
在寫下載HTML方法之前，我們需要去查看京東網頁請求頭的相關信息，在發送請求時需要用到。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
public static string DownloadHtml(string url, Encoding encode){ string html = string.Empty; try { HttpWebRequest request = WebRequest.Create(url) as HttpWebRequest; request.Timeout = 30 * 1000; request.UserAgent = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36"; request.ContentType = "text/html; charset=utf-8"; using (HttpWebResponse response = request.GetResponse() as HttpWebResponse) { if (response.StatusCode == HttpStatusCode.OK) { try { StreamReader sr = new StreamReader(response.GetResponseStream(), encode); html = sr.ReadToEnd();//讀取數據 sr.Close(); } catch (Exception ex) { html = null; } } } } catch (System.Net.WebException ex) { html = null; } catch (Exception ex) { html = null; } return html;} |
如上代碼所示，我們使用WebRequest來獲取網頁信息，在發送請求之前，需要先設置和京東頁面一樣的請求頭。
以上設置的信息比較簡單，但能夠正常發送請求，我們也可以模擬瀏覽器設置cookie等等信息，
二、解析HTML
獲取所有商品的信息分為兩個步驟
（1）根據商品分類頁面獲取所有商品分類的URL
（2）根據商品分類URL獲取每個商品
1、獲取商品分類
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
|
try{ string html = HttpHelper.DownloadUrl(@"http://www.jd.com/allSort.aspx"); HtmlDocument doc = new HtmlDocument(); doc.LoadHtml(html); string goodClass= @"//*[@class='items']/dl/dd"; HtmlNodeCollection noneNodeList = doc.DocumentNode.SelectNodes(goodClass); foreach (var node in noneNodeList) { HtmlDocument docChild = new HtmlDocument(); docChild.LoadHtml(node.OuterHtml); string urlPath = "/dd/a"; HtmlNodeCollection list = docChild.DocumentNode.SelectNodes(urlPath); foreach (var l in list) { HtmlDocument docChild1 = new HtmlDocument(); docChild1.LoadHtml(l.OuterHtml); var sortUrl = l.Attributes["href"].Value; if (!string.IsNullOrWhiteSpace(sortUrl) && sortUrl.Contains("cat=")) { InsertSort("https:" + sortUrl); } } }}catch (Exception ex){ Console.WriteLine(ex.Message);} |
上面的代碼中使用到了HtmlAgilityPack來解析HTML信息，這是.NET的開源項目，開源在nuget包中下載。
（1）下載http://www.jd.com/allSort.aspx的html頁，然后加載到HtmlDocument
（2）選擇節點，獲取每個大類的節點集合
（3）根據每個大類的節點，獲取每個小類的節點信息，然后獲取到分類地址
節點中也包含了其它很多信息，可以根據自己的需求去獲取對應的信息
2、獲取具體商品信息
（1）首先根據商品分類加載分類信息，獲取到當前分類每個頁面的鏈接
下載HTML之后，選擇節點，可以將HTML格式化之后查看每個頁面的url地址和拼接規則，然后借助HtmlAgilityPack
來篩選需要的節點，將每個頁面的url分離出來
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
|
try{ string html = HttpHelper.DownloadUrl(@"https://list.jd.com/list.html?cat=1620,11158,11964"); HtmlDocument productDoc = new HtmlDocument(); productDoc.LoadHtml(html); HtmlNode pageNode = productDoc.DocumentNode.SelectSingleNode(@"//*[@id='J_topPage']/span/i"); if (pageNode != null) { int pageNum = Convert.ToInt32(pageNode.InnerText); for (int i = 1; i < pageNum + 1; i++) { string pageUrl = string.Format("{0}&page={1}", category.Url, i).Replace("&page=1&", string.Format("&page={0}&", i)); try { List<ProductInfo> proDuctInfo = GetPageProduct(pageUrl); } catch (Exception ex) { Console.WriteLine(ex.Message); } } } }catch (Exception ex){ Console.WriteLine(ex.Message);} |
（2）根據每個頁面的鏈接，獲取當前頁面的商品信息
下載每個頁面的所有商品信息，需要獲取的商品信息在頁面中都能找到
首先我們獲取到每個商品的節點集合，獲取到一個商品的節點信息之后，分析html數據，
找到我們需要的商品的信息所在的位置，然后將需要的信息分離出來。
下面的代碼中我獲取到的商品的id和title還有價格。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
|
List<ProductInfo> productInfoList = new List<ProductInfo>();try{ string html = HttpHelper.DownloadUrl(url); HtmlDocument doc = new HtmlDocument(); doc.LoadHtml(html); HtmlNodeCollection productNodeList = doc.DocumentNode.SelectNodes("//*[@id='plist']/ul/li"); if (productNodeList == null || productNodeList.Count == 0) { return productInfoList; } foreach (var node in productNodeList) { HtmlDocument docChild = new HtmlDocument(); docChild.LoadHtml(node.OuterHtml); ProductInfo productInfo = new ProductInfo() { CategoryId = category.Id }; HtmlNode urlNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a"); if (urlNode == null) { continue; } string newUrl= urlNode.Attributes["href"].Value; newUrl = !newUrl.StartsWith("http:")?"http:" + newUrl: newUrl; string sId = Path.GetFileName(newUrl).Replace(".html", ""); productInfo.ProductId = long.Parse(sId); HtmlNode titleNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a/em"); if (titleNode == null) { continue; } productInfo.Title = titleNode.InnerText; HtmlNode priceNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-price']/strong/i"); if (priceNode == null) { continue; } else { } productInfoList.Add(productInfo); } //批量獲取價格 GetGoodsPrice(productInfoList);}catch (Exception ex){}return productInfoList; |
商品的圖片地址和價格信息的獲取需要仔細分析html中的數據，然后找到規律，比如價格在每個節點中就不能單獨獲取。
以下為批量獲取價格的代碼：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
try { StringBuilder sb = new StringBuilder(); sb.AppendFormat("http://p.3.cn/prices/mgets?callback=jQuery1069298&type=1&area=1_72_4137_0&skuIds={0}&pdbp=0&pdtk=&pdpin=&pduid=1945966343&_=1469022843655", string.Join("%2C", productInfoList.Select(c => string.Format("J_{0}", c.ProductId)))); string html = HttpHelper.DownloadUrl(sb.ToString()); if (string.IsNullOrWhiteSpace(html)) { return productInfoList; } html = html.Substring(html.IndexOf("(") + 1); html = html.Substring(0, html.LastIndexOf(")")); List<CommodityPrice> priceList = JsonConvert.DeserializeObject<List<CommodityPrice>>(html); productInfoList.ForEach(c => c.Price = priceList.FirstOrDefault(p => p.id.Equals(string.Format("J_{0}", c.ProductId))).p); } catch (Exception ex) { Console.WriteLine(ex.Message); } return productInfoList; |
以上就是一個簡單的爬取京東商品信息的爬蟲，也可以根據自己的需求去解析更多的數據出來。
總結
以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，如果有疑問大家可以留言交流，謝謝大家對服務器之家的支持。
原文鏈接：http://www.cnblogs.com/xxue/p/9977801.html
