网页内容抓取

tossgoon 2014-12-29 11:12:20

想实现一个功能：
对一个特定网站上的内容进行信息抓取，提取出感兴趣的信息，保存到本地，如何实现？
没什么头绪，本人只对html、javascript、C#这些东西知道一些，网上搜了一些，关于如何用C#实现的版本不太多，有没有做过的指点下思路？或给个例子就更好了。谢谢大家。

...全文

177 11 打赏收藏转发到动态举报

写回复

用AI写文章

11 条回复

切换为时间正序

请发表友善的回复…

发表回复

tossgoon 2015-01-07

打赏
举报

最后用了sp大神的方法实现了，同时谢谢pengbo2016提供的思路，非常感谢大家。webbrowser有一个不太方便的地方就是多线程的实现时，只能用STA模式，但是对access数据库的操作在STA模式下有些问题。还是感谢。

by_封爱版主 2014-12-29

打赏
举报

1句话就搞定了啊..


var 源文件=new webclient().downloadstring("http://www.baidu.com");

tossgoon 2014-12-29

打赏
举报

如何得到这个网页上的所有信息呢

shawn_yang 2014-12-29

打赏
举报

正则捕获

老张一笑 2014-12-29

打赏
举报

好吧,我多余了,楼上就是用webbrowser

老张一笑 2014-12-29

打赏
举报

个人认为用webbrowser控件比较方便,省去很多复杂的正则.

风一叶 2014-12-29

打赏
举报

最近项目有做过相关的方案，大致分3步 1.获取网页所有内容(包含异步加载内容) 2.正则或者xml匹配对应的内容 3.入库导出第一步：其一.获得正常加载内容：


   public static string GetGeneralContent(string url, int index, Encoding encoding = null)
        {
            string strResult = "";
            try
            {
                Console.WriteLine(string.Format("{0}:开始加载第{1}个页面，页面地址：{2}.", DateTime.Now, index, url));
                HttpWebRequest request = (HttpWebRequest)WebRequest.Create(url);
                //声明一个HttpWebRequest请求 
                request.Timeout = 30000;
                //设置连接超时时间 
                request.Headers.Set("Pragma", "no-cache");
                HttpWebResponse response = (HttpWebResponse)request.GetResponse();
                Stream streamReceive = response.GetResponseStream();
                StreamReader streamReader = new StreamReader(streamReceive, encoding==null?Encoding.Default:encoding);
                strResult = streamReader.ReadToEnd();
                Console.WriteLine(string.Format("{0}:内容加载完毕.", DateTime.Now));
            }
            catch (Exception e)
            {
                Console.WriteLine(e.Message);
            }
            Console.WriteLine(string.Format("{0}:开始写入HTML文件", DateTime.Now));
            using (StreamWriter sw = new StreamWriter(string.Format(Environment.CurrentDirectory + "//{0}.html", index)))
            {
                sw.WriteLine(strResult);
            }
            Console.WriteLine(string.Format("{0}:html 文件 已经生成！", DateTime.Now));
            Console.WriteLine(string.Format("{0}:数据开始入库", DateTime.Now));
            return strResult;
        }

其二若有些网站的内容是异步加载的上面方法将不适用了，请使用下面方法(有些网站需要cookie验证的也包含)


     static bool isComplete = false;
        static System.Timers.Timer timer = new System.Timers.Timer();
        #region CoreMethod
        public static string Load(string url, int index, Action<string> setCookie = null)
        {
            var stopwatch=new Stopwatch();
            stopwatch.Start();
            Console.WriteLine(string.Format("{0}:开始加载第{1}个页面，页面地址：{2}.", DateTime.Now, index, url));
            var browser = new WebBrowser();
            if (setCookie != null)
            {
                setCookie.Invoke(url);
            }
            browser.ScriptErrorsSuppressed = true;
            browser.Navigate(url);
            //先要等待加载完毕
            Console.WriteLine(string.Format("{0}:开始加载动态内容.", DateTime.Now));
            while (browser.ReadyState != WebBrowserReadyState.Complete)
            {
                Application.DoEvents();
                if (stopwatch.Elapsed.Minutes > 3)
                {
                    stopwatch.Reset();
                    throw new Exception("请求站点超时!");
                }
            }
            timer.Elapsed += new System.Timers.ElapsedEventHandler(Target);
            timer.Interval = 1000 * 5;
            timer.Start();
            //继续等待 5s，等待js加载完
            while (!isComplete)
            {
                Application.DoEvents();
            }
            HTMLDocument htmldocument = (HTMLDocument)browser.Document.DomDocument;
            string gethtml = htmldocument.documentElement.outerHTML;
            Console.WriteLine(string.Format("{0}:动态内容加载完毕.", DateTime.Now));
            //写入文件
            using (StreamWriter sw = new StreamWriter(string.Format(Environment.CurrentDirectory + "//{0}.html", index)))
            {
                sw.WriteLine(gethtml);
            }

            return gethtml;
        }
        private static void Target(object sender, ElapsedEventArgs elapsedEventArgs)
        {
            isComplete = true;
            timer.Stop();
        }

其三.获取网页异步请求内容不局限于第二种方法，目前使用casperjs效率更为高效，方法就不提供了，找度娘哈很多demo 第二就是用正则匹配了，建议使用notepad++打开方便查找匹配，最后导出就不说了