.NetC#网络爬虫开发 - Powered by Discuz! Archiver

用户云卷云舒 发表于 2023-2-12 16:37:10

C#网络爬虫开发

1前言

爬虫一般都是用Python来写，生态丰富，动态语言开发速度快，调试也很方便
但是
我要说但是，动态语言也有其局限性，笔者作为老爬虫带师，几乎各种语言都搞过，现在这个任务并不复杂，用我最喜欢的C#做小菜一碟~
2开始

之前做 OneCat 项目的时候，最开始的数据采集模块，就是用 C# 做的，同时还集成了 Chloe 作为 ORM，用 Nancy 做 HTTP 接口，结合 C# 强大的并发功能，做出来的效果不错。
这次是要爬一些壁纸，很简单的场景，于是沿用了之前 OneCat 项目的一些工具类，并且做了一些改进。
3HttpHelper

网络请求直接使用 .Net Core 标准库的 HttpClient，这个库要求使用单例，在 AspNetCore 里一般用依赖注入，不过这次简单的爬虫直接用 Console 程序就行。
把 HTML 爬下来后，还需要解析，在Python中一般用 BeautifulSoup，在C#里可以用 AngleSharp ，也很好用~
为了使用方便，我又封装了一个工具类，把 HttpClient 和 AngleSharp 集成在一起。
public static class HttpHelper { public const string UserAgent = "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36"; public static HttpClientHandler Handler { get; } public static HttpClient Client { get; } static HttpHelper() { Handler = new HttpClientHandler(); Client = new HttpClient(Handler); Client.DefaultRequestHeaders.Add("User-Agent", UserAgent); } public static async Task<IHtmlDocument> GetHtmlDocument(string url) { var html = await Client.GetStringAsync(url); // todo 这个用法有内存泄漏问题，得优化一下 return new HtmlParser().ParseDocument(html); } public static async Task<IHtmlDocument> GetHtmlDocument(string url, string charset) { var res = await Client.GetAsync(url); var resBytes = await res.Content.ReadAsByteArrayAsync(); var resStr = Encoding.GetEncoding(charset).GetString(resBytes); // todo 这个用法有内存泄漏问题，得优化一下 return new HtmlParser().ParseDocument(resStr); } } 这段代码里面有俩 todo ，这个内存泄漏的问题在简单的爬虫中影响不大，所以后面有大规模的需求再来优化吧~
4搞HTML

大部分爬虫是从网页上拿数据
如果网页是后端渲染出来的话，没有js动态加载数据，基本上用CSS选择器+正则表达式就可以拿到任何想要的数据。
经过前面的封装，请求网页+解析HTML只需要一行代码
IHtmlDocument data = await HttpHelper.GetHtmlDocument(url); 拿到 IHtmlDocument 对象之后，用 QuerySelector 传入css选择器，就可以拿到各种元素了。
例如这样，取出 元素下所有链接的地址
var data = await HttpHelper.GetHtmlDocument(url); foreach (var item in data.QuerySelectorAll(".pagew li")) { var link = item.QuerySelector("a"); var href = link?.GetAttribute("href"); if (href != null) await CrawlItem(href); } 或者结合正则表达式
var data = await HttpHelper.GetHtmlDocument(url); var page = data.QuerySelector(".pageinfo"); Console.WriteLine("拿到分页信息：{0}", page?.TextContent); var match = Regex.Match(page?.TextContent ?? "", @"共\s(\d+)页(\d+)条"); var pageCount = int.Parse(match.Groups.Value); for (int i = 1; i <= pageCount; i++) { await CrawlPage(i); } 使用方法依然是一行代码
var jsonOption = new JsonSerializerOptions { WriteIndented = true, Encoder = JavaScriptEncoder.UnsafeRelaxedJsonEscaping }; 不过这次没有直接封装一个下载的方法，而是把 IDownloadService 对象做成属性，因为下载的时候往往要加一些“buff”
比如监听下载进度，看下面的代码
await File.WriteAllTextAsync("path", JsonSerializer.Serialize(data, jsonOption));这个库提供了四个事件，分别是：

[*]下载开始
[*]下载完成
[*]下载进度变化
[*]分块下载进度变化
7进度条

有了这些事件，就可以实现下载进度条展示了，接下来介绍的进度条，也是 Downloader 这个库官方例子中使用的
项目地址: https://github.com/Mpdreamz/shellprogressbar
首先，把官网上的例子忘记吧，那几个例子实际作用不大。
Tick模式

这个进度条有两种模式，一种是它自己的 Tick 方法，先定义总任务数量，执行一次表示完成一个任务，比如这个：
public static IDownloadService Downloader { get; } public static DownloadConfiguration DownloadConf => new DownloadConfiguration { BufferBlockSize = 10240, // 通常，主机最大支持8000字节，默认值为8000。 ChunkCount = 8, // 要下载的文件分片数量，默认值为1 // MaximumBytesPerSecond = 1024 * 50, // 下载速度限制，默认值为零或无限制 MaxTryAgainOnFailover = 5, // 失败的最大次数 ParallelDownload = true, // 下载文件是否为并行的。默认值为false Timeout = 1000, // 每个 stream reader 的超时（毫秒），默认值是1000 RequestConfiguration = { Accept = "*/*", AutomaticDecompression = DecompressionMethods.GZip | DecompressionMethods.Deflate, CookieContainer = new CookieContainer(), // Add your cookies Headers = new WebHeaderCollection(), // Add your custom headers KeepAlive = true, ProtocolVersion = HttpVersion.Version11, // Default value is HTTP 1.1 UseDefaultCredentials = false, UserAgent = UserAgent } }; static HttpHelper() { // ... Downloader = new DownloadService(DownloadConf); } 上面代码定义了10个任务，每执行一次 bar.Tick() 就表示完成一次任务，执行10次后就整个完成~
IProgress 模式

这个 IProgress 是C#标准库的类型，用来处理进度条的。
ProgressBar 对象可以使用 AsProgress 方法转换称 IProgress 对象，然后调用 IProgress 的 Report 方法，报告进度。
这个就很适合下载进度这种非线性的任务，每次更新时，完成的进度都不一样
Downloader的下载进度更新事件，用的是百分比，所以用这个 IProgress 模式就很合适。
进度条嵌套

本爬虫项目是要采集壁纸，壁纸的形式是按图集组织的，一个图集下可能有多个图片
为了应对这种场景，可以用一个进度条显示总进度，表示当前正在下载某个图集
然后再嵌套子进度条，表示正在下载当前图集的第n张图片
然后的然后，再套娃一个孙子进度条，表示具体图片的下载进度（百分比）
这里用到的是 ProgressBar 的 Spawn 方法，会生成一个 ChildProgressBar 对象，此时更新子进度条对象的值就好了。
直接看代码吧
await HttpHelper.Downloader.DownloadFileTaskAsync(url, filepath); 这样就实现了主进度条显示下载了第几个图集，子进度条显示下载到第几张图片。
然后具体下载代码中，使用 Downloader 的事件监听，再 Spawn 一个新的进度条显示单张图片的下载进度。
代码如下：
private async Task Download(IProgressBar bar, string url, string filepath) {
 var percentageBar = bar.Spawn(100, $"正在下载：{Path.GetFileName(url)}", PercentageBarOptions);

 HttpHelper.Downloader.DownloadStarted += DownloadStarted;
 HttpHelper.Downloader.DownloadFileCompleted += DownloadFileCompleted;
 HttpHelper.Downloader.DownloadProgressChanged += DownloadProgressChanged;

 var jsonOption = new JsonSerializerOptions { WriteIndented = true, Encoder = JavaScriptEncoder.UnsafeRelaxedJsonEscaping }; 
 void DownloadStarted(object? sender, DownloadStartedEventArgs e) {
 Trace.WriteLine(
 $"图片, FileName:{Path.GetFileName(e.FileName)}, TotalBytesToReceive:{e.TotalBytesToReceive}");
 }

 void DownloadFileCompleted(object? sender, AsyncCompletedEventArgs e) {
 Trace.WriteLine($"下载完成, filepath:{filepath}");
 percentageBar.Dispose();
 }

 void DownloadProgressChanged(object? sender, DownloadProgressChangedEventArgs e) {
 percentageBar.AsProgress().Report(e.ProgressPercentage);
 }
}
注意所有的 ProgressBar 对象都需要用完释放，所以这里在 DownloadFileCompleted 事件里面 Dispose 了。
上面的是直接用 using 语句，自动释放。
进度条配置

这个东西的自定义功能还不错。
可以配置颜色、显示字符、显示位置啥的
using var bar = new ProgressBar(10, "正在下载所有图片", BarOptions); EnableTaskBarProgress 这个选项可以同时更新Windows任务状态栏上的进度
具体配置选项可以直接看源码，里面注释很详细。
如果 Spawn 出来的子进度条没配置选项，那就会继承上一级的配置。
8小结

用 C# 来做爬虫还是舒服的，至少比 Java 好很多
做控制台应用，打包成exe也方便分发
https://img2023.cnblogs.com/blog/2807374/202301/2807374-20230103133728640-245634516.jpg

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

页: [1]

ToB企服应用市场:ToB评测及商务社交产业平台's Archiver

C#网络爬虫开发