我们一起聊聊.NET快速实现网页数据抓取

前言

今天我们来讲讲如何使用.NET开源（MIT License）的轻量、灵活、高性能、跨平台的分布式网络爬虫框架DotnetSpider来快速实现网页数据抓取功能。1BG28资讯网——每日最新资讯28at.com

注意：为了自身安全请在国家法律允许范围内开发网页爬虫功能。1BG28资讯网——每日最新资讯28at.com

网页数据抓取需求

本文我们以抓取博客园10天推荐排行榜第一页的文章标题、文章简介和文章地址为示例，并把抓取下来的数据保存到对应的txt文本中。1BG28资讯网——每日最新资讯28at.com

• 请求地址：https://www.cnblogs.com/aggsite/topdiggs

图片1BG28资讯网——每日最新资讯28at.com

创建控制台应用

创建名为DotnetSpiderExercise的控制台应用。1BG28资讯网——每日最新资讯28at.com

图片1BG28资讯网——每日最新资讯28at.com

图片1BG28资讯网——每日最新资讯28at.com

图片1BG28资讯网——每日最新资讯28at.com

安装DotnetSpider NuGet包

NuGet包管理器搜索：DotnetSpider1BG28资讯网——每日最新资讯28at.com

图片1BG28资讯网——每日最新资讯28at.com

添加Serilog日志组件

NuGet包管理器搜索：Serilog.AspNetCore1BG28资讯网——每日最新资讯28at.com

图片1BG28资讯网——每日最新资讯28at.com

添加RecommendedRankingModel

namespace DotnetSpiderExercise{    public class RecommendedRankingModel    {        /// <summary>        /// 文章标题        /// </summary>        public string ArticleTitle { get; set; }        /// <summary>        /// 文章简介        /// </summary>        public string ArticleSummary { get; set; }        /// <summary>        /// 文章地址        /// </summary>        public string ArticleUrl { get; set; }    }}

添加RecommendedRankingSpider

网页数据抓取的业务逻辑都在这里面。1BG28资讯网——每日最新资讯28at.com

using DotnetSpider.DataFlow.Parser;using DotnetSpider.DataFlow;using DotnetSpider.Downloader;using DotnetSpider.Http;using DotnetSpider.Scheduler.Component;using DotnetSpider.Selector;using DotnetSpider;using Microsoft.Extensions.Logging;using Microsoft.Extensions.Options;using Serilog;using DotnetSpider.Scheduler;using Microsoft.Extensions.Hosting;using System.Reflection;namespace DotnetSpiderExercise{    public class RecommendedRankingSpider : Spider    {        public RecommendedRankingSpider(IOptions<SpiderOptions> options,            DependenceServices services,            ILogger<Spider> logger) : base(options, services, logger)        {        }        public static async Task RunAsync()        {            var builder = Builder.CreateDefaultBuilder<RecommendedRankingSpider>();            builder.UseSerilog();            builder.UseDownloader<HttpClientDownloader>();            builder.UseQueueDistinctBfsScheduler<HashSetDuplicateRemover>();            await builder.Build().RunAsync();        }        protected override async Task InitializeAsync(CancellationToken stoppingToken = default)        {            //添加自定义解析            AddDataFlow(new Parser());            //使用控制台存储器            AddDataFlow(new ConsoleStorage());            //添加采集请求:博客园10天推荐排行榜            await AddRequestsAsync(new Request("https://www.cnblogs.com/aggsite/topdiggs")            {                //请求超时10秒                Timeout = 10000            });        }        class Parser : DataParser        {            public override Task InitializeAsync()            {                return Task.CompletedTask;            }            protected override Task ParseAsync(DataFlowContext context)            {                var recommendedRankingList = new List<RecommendedRankingModel>();                // 网页数据解析                var number = 1;                var recommendedList = context.Selectable.SelectList(Selectors.XPath(".//article[@class='post-item']"));                foreach (var news in recommendedList)                {                    var articleTitle = news.Select(Selectors.XPath(".//a[@class='post-item-title']"))?.Value;                    var articleSummary = news.Select(Selectors.XPath(".//p[@class='post-item-summary']"))?.Value?.Replace("/n", "").Replace(" ", "");                    var articleUrl = news.Select(Selectors.XPath(".//a[@class='post-item-title']/@href"))?.Value;                    Console.WriteLine($"第{number}篇文章 标题：{articleTitle}");                    recommendedRankingList.Add(new RecommendedRankingModel                    {                        ArticleTitle = articleTitle,                        ArticleSummary = articleSummary,                        ArticleUrl = articleUrl                    });                    number++;                }                using (StreamWriter sw = new StreamWriter("RecommendedRanking.txt"))                {                    foreach (RecommendedRankingModel model in recommendedRankingList)                    {                        string line = $"文章标题：{model.ArticleTitle}/r/n文章简介：{model.ArticleSummary}/r/n文章地址：{model.ArticleUrl}";                        sw.WriteLine(line + "/r/n ========================================================================================== /r/n");                    }                }                return Task.CompletedTask;            }        }    }}

Program执行数据抓取

namespace DotnetSpiderExercise{    public class Program    {        static async Task Main(string[] args)        {            Console.WriteLine("网页数据抓取开始...");            await RecommendedRankingSpider.RunAsync();            Console.WriteLine("网页数据抓取完成...");        }    }}

图片1BG28资讯网——每日最新资讯28at.com

抓取数据和页面数据对比

抓取数据

图片1BG28资讯网——每日最新资讯28at.com

页面数据

图片1BG28资讯网——每日最新资讯28at.com

项目源码地址

更多项目实用功能和特性欢迎前往项目开源地址查看

本文链接：http://www.28at.com/showinfo-26-90186-0.html我们一起聊聊.NET快速实现网页数据抓取

声明：本网页内容旨在传播知识，若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。邮件：2376512515@qq.com

上一篇： 快手一季度营收 294 亿元同比增长 16.6%，平均日活跃用户达 3.94 亿

下一篇： Rust 上手很难？搞懂这些知识，前端开发能快速成为 Rust 高手