C#使用ScrapySharp快速从网页采集数据 C#使用ScrapySharp快速从网页采集

ScrapySharp是一个帮助我们快速实现网页数据采集的库，它主要提供了如下两个功能

从Url获取Html数据
【C#使用ScrapySharp快速从网页采集数据】提供CSS选择器的方式解析Html节点

安装：
ScrapySharp可以直接从Nuget上下载，直接从Package Console里面输入如下命令即可：

PM> Install-Package ScrapySharp

Html下载
首先我们来看看它的Html下载功能，它是通过ScrapingBrowser类来实现的：

var browser = new ScrapingBrowser(); var html = browser.DownloadString(new Uri("http://www.cnblogs.com/"));

这个只是一个简单的示例，实际上ScrapingBrowser的功能还是非常全面的，常见的功能如：Charset探测，AutoRedirect、Cache、 Proxy、Cookie、UserAgent、表单提交等都支持得非常好，用它来获取网页比HttClient要方便很多。
Html解析
ScrapySharp的Html解析是基于大名鼎鼎的HtmlAgilityPack来实现的，它主要提供了两个扩展函数CssSelect和CssSelect：

static IEnumerable CssSelect(this HtmlNode node, string expression); static IEnumerable CssSelect(this IEnumerable nodes, string expression); static IEnumerable CssSelectAncestors(this HtmlNode node, string expression); static IEnumerable CssSelectAncestors(this IEnumerable nodes, string expression);

相比HtmlAgilityPack提供的层级式解析和Xpath方式的解析比起来，CSS选择器的更为简单快捷，这里以解析博客园的首页标题为例，首先用开发者工具定位标题，可以看到其HTML结构的方式如下：

文章图片

解析的代码如下：

var doc = new HtmlDocument(); doc.LoadHtml(html); var docNode = doc.DocumentNode; var nodes = docNode.CssSelect(".titlelnk"); foreach (var htmlNode in nodes){Console.WriteLine(htmlNode.InnerText); }

其中关键代码只有docNode.CssSelect(".titlelnk")一句，非常简洁。另外，由于CSS方式比较灵活，如下方式也能获取到标题

var nodes = docNode.CssSelect(".post_item_body > h3"); var nodes = docNode.CssSelect("div#post_list").CssSelectAncestors("h3");

最后，列举一下常用的CSS查询，以方便后续的使用：

html.CssSelect("div"); //all div elementshtml.CssSelect("div.content"); //all div elements with css class 'content'html.CssSelect("div.widget.monthlist"); //all div elements with the both css classhtml.CssSelect("#postPaging"); //all HTML elements with the id postPaginghtml.CssSelect("div#postPaging.testClass"); // all HTML elements with the id postPaging and css class testClasshtml.CssSelect("div.content > p.para"); //p elements who are direct children of div elements with css class 'content'html.CssSelect("input[type = text].login"); // textbox with css class login

更多的CSS选择器使用方法可以参看W3的网页：CSS 选择器参考手册
到此这篇关于ScrapySharp快速采集数据的文章就介绍到这了。希望对大家的学习有所帮助，也希望大家多多支持脚本之家。