.NET Core实践爬虫系统：自定义规则

会员服务 ·

.NET Core实践爬虫系统：自定义规则

2018 年 9 月 7 日 DotNet

（点击上方蓝字，可快速关注我们）

来源：从此启程

cnblogs.com/fancunwei/p/9588629.html

回顾

上篇文章《.NET Core实践爬虫系统：解析网页内容》

我们讲了利用HtmlAgilityPack，输入XPath路径，识别网页节点，获取我们需要的内容。评论中也得到了大家的一些支持与建议。

下面继续我们的爬虫系统实践之路。本篇文章不包含依赖注入/数据访问/UI界面等，只包含核心的爬虫相关知识，只能作为Demo使用，抛砖引玉，共同交流。

抽象规则

爬虫系统之所以重要，正是他能支持各种各样的数据。要支持识别数据，第一步就是要将规则剥离出来，支持用户自定义。

爬虫规则，实际上是跟商品有点类似，如动态属性，但也有它特殊的地方，如规则可以循环嵌套，递归，相互引用，链接可以无限下去抓取。更复杂的，就需要自然语言识别，语义分析等领域了。

我用PPT画了个演示图。用于演示支持分析文章，活动，天气等各种类型的规则。

编码实现

先来定义个采集规则接口，根据规则获取单个或一批内容。

/// <summary>

/// 采集规则接口

/// </summary>

public interface IDataSplider

{

/// <summary>

/// 得到内容

/// </summary>

/// <param name="rule"></param>

/// <returns></returns>

List<SpliderContent> GetByRule(SpliderRule rule);

/// <summary>

/// 得到属性信息

/// </summary>

/// <param name="node"></param>

/// <param name="rule"></param>

/// <returns></returns>

List<Field> GetFields(HtmlNode node, SpliderRule rule);

}

必不可少的规则类,用来配置XPath根路径。

/// <summary>

/// 采集规则-能满足列表页/详情页。

/// </summary>

public class SpliderRule

{

public string Id { get; set; }

public string Url { get; set; }

/// <summary>

/// 网页块

/// </summary>

public string ContentXPath { get; set; }

/// <summary>

/// 支持列表式

/// </summary>

public string EachXPath { get; set; }

/// <summary>

///

/// </summary>

public List<RuleField> RuleFields { get; set; }

}

然后就是属性字段的自定义设置,这里根据内容特性，加入了正则支持。例如评论数是数字，可用正则筛选出数字。还有Attribute字段，用来获取node的Attribute信息。

/// <summary>

/// 自定义属性字段

/// </summary>

public class RuleField

{

public string Id { get; set; }

public string DisplayName { get; set; }

/// <summary>

/// 用于存储的别名

/// </summary>

public string FieldName { get; set; }

public string XPath { get; set; }

public string Attribute { get; set; }

/// <summary>

/// 针对获取的HTml正则过滤

/// </summary>

public string InnerHtmlRegex { get; set; }

/// <summary>

/// 针对获取的Text正则过滤

/// </summary>

public string InnerTextRegex { get; set; }

/// <summary>

/// 是否优先取InnerText

/// </summary>

public bool IsFirstInnerText { get; set; }

}

下面是根据文章爬虫规则的解析步骤,实现接口IDataSplider

/// <summary>

/// 支持列表和详情页

/// </summary>

public class ArticleSplider : IDataSplider

{

/// <summary>

/// 根据Rule

/// </summary>

/// <param name="rule"></param>

/// <returns></returns>

public List<SpliderContent> GetByRule(SpliderRule rule)

{

var url = rule.Url;

HtmlWeb web = new HtmlWeb();

//1.支持从web或本地path加载html

var htmlDoc = web.Load(url);

var contentnode = htmlDoc.DocumentNode.SelectSingleNode(rule.ContentXPath);

var list = new List<SpliderContent>();

//列表页

if (!string.IsNullOrWhiteSpace(rule.EachXPath))

{

var itemsNodes = contentnode.SelectNodes(rule.EachXPath);

foreach (var item in itemsNodes)

{

var fields = GetFields(item, rule);

list.Add(new SpliderContent()

{

Fields = fields,

SpliderRuleId = rule.Id

});

}

return list;

}

//详情页

var cfields = GetFields(contentnode, rule);

list.Add(new SpliderContent()

{

Fields = cfields,

SpliderRuleId = rule.Id

});

return list;

}

public List<Field> GetFields(HtmlNode item, SpliderRule rule)

{

var fields = new List<Field>();

foreach (var rulefield in rule.RuleFields)

{

var field = new Field() { DisplayName = rulefield.DisplayName, FieldName = "" };

var fieldnode = item.SelectSingleNode(rulefield.XPath);

if (fieldnode != null)

{

field.InnerHtml = fieldnode.InnerHtml;

field.InnerText = fieldnode.InnerText;

field.AfterRegexHtml = !string.IsNullOrWhiteSpace(rulefield.InnerHtmlRegex) ? Regex.Replace(fieldnode.InnerHtml, rulefield.InnerHtmlRegex, "") : fieldnode.InnerHtml;

field.AfterRegexText = !string.IsNullOrWhiteSpace(rulefield.InnerTextRegex) ? Regex.Replace(fieldnode.InnerText, rulefield.InnerTextRegex, "") : fieldnode.InnerText;

//field.AfterRegexHtml = Regex.Replace(fieldnode.InnerHtml, rulefield.InnerHtmlRegex, "");

//field.AfterRegexText = Regex.Replace(fieldnode.InnerText, rulefield.InnerTextRegex, "");

if (!string.IsNullOrWhiteSpace(rulefield.Attribute))

{

field.Value = fieldnode.Attributes[rulefield.Attribute].Value;

}

else

{

field.Value = rulefield.IsFirstInnerText ? field.AfterRegexText : field.AfterRegexHtml;

}

}

fields.Add(field);

}

return fields;

}

}

还是以博客园为例，配置内容和属性的自定义规则

/// <summary>

///

/// </summary>

public void RunArticleRule()

{

var postitembodyXPath = "div[@class='post_item_body']//";

var postitembodyFootXPath = postitembodyXPath+ "div[@class='post_item_foot']//";

var rule = new SpliderRule()

{

ContentXPath = "//div[@id='post_list']",

EachXPath = "div[@class='post_item']",

Url = "https://www.cnblogs.com",

RuleFields = new List<RuleField>() {

new RuleField(){ DisplayName="推荐", XPath="*//span[@class='diggnum']", IsFirstInnerText=true },

new RuleField(){ DisplayName="标题",XPath=postitembodyXPath+"a[@class='titlelnk']", IsFirstInnerText=true },

new RuleField(){ DisplayName="URL",XPath=postitembodyXPath+"a[@class='titlelnk']",Attribute="href", IsFirstInnerText=true },

new RuleField(){ DisplayName="简要",XPath=postitembodyXPath+"p[@class='post_item_summary']", IsFirstInnerText=true },

new RuleField(){ DisplayName="作者",XPath=postitembodyFootXPath+"a[@class='lightblue']", IsFirstInnerText=true },

new RuleField(){ DisplayName="作者URL",XPath=postitembodyFootXPath+"a[@class='lightblue']",Attribute="href", IsFirstInnerText=true },

new RuleField(){ DisplayName="讨论数", XPath="span[@class='article_comment']",IsFirstInnerText=true, InnerTextRegex=@"[^0-9]+" },

new RuleField(){ DisplayName="阅读数", XPath=postitembodyFootXPath+"span[@class='article_view']",IsFirstInnerText=true, InnerTextRegex=@"[^0-9]+" },

}

};

var splider = new ArticleSplider();

var list = splider.GetByRule(rule);

foreach (var item in list)

{

var msg = string.Empty;

item.Fields.ForEach(M =>

{

if (M.DisplayName != "简要" && !M.DisplayName.Contains("URL"))

{

msg += $"{M.DisplayName}:{M.Value}";

}

});

Console.WriteLine(msg);

}

}

运行效果

效果完美！

经过简单的重构，我们已经达到了上篇的效果。

常用规则模型和自定义规则模型

写到这里，我想到了一般UML图工具或Axsure原型等，都会内置各种常用组件，那么文章爬虫模型也是我们内置的一种常用组件了。

后续我们完全可以按照上面的套路支持其他模型。除了常用模型之外，在网页或客户端上，高级的爬虫工具会支持用户自定义配置，根据配置来获取内容。

上面的SpliderRule已经能支持大部分内容管理系统单页面抓取。但无法支持规则相互引用，然后根据抓取的内容引用配置规则继续抓取。（这里也许有什么专门的名词来描述：递归爬虫？）。

今天主要是在上篇文章的基础上重构而来，支持了规则配置。为了有点新意，就多提供两个配置例子吧。

例子1：文章详情

我们以上篇文章为例，获取文章详情。主要结点是标题，内容。其他额外属性暂不处理。

编码实现

/// <summary>

/// 详情

/// </summary>

public void RunArticleDetail() {

var rule = new SpliderRule()

{

ContentXPath = "//div[@id='post_detail']",

EachXPath = "",

Url = " https://www.cnblogs.com/fancunwei/p/9581168.html",

RuleFields = new List<RuleField>() {

new RuleField(){ DisplayName="标题",XPath="*//div[@class='post']//a[@id='cb_post_title_url']", IsFirstInnerText=true },

new RuleField(){ DisplayName="详情",XPath="*//div[@class='postBody']//div[@class='blogpost-body']",Attribute="", IsFirstInnerText=false }

}

};

var splider = new ArticleSplider();

var list = splider.GetByRule(rule);

foreach (var item in list)

{

var msg = string.Empty;

item.Fields.ForEach(M =>

{

Console.WriteLine($"{M.DisplayName}:{M.Value}");

});

Console.WriteLine(msg);

}

}

运行效果

效果同样完美！

例子2：天气预报

天气预报的例子，我们就以上海8-15天预报为例。

分析结构

点击链接，我们发现今天/7天/8-15天/40天分别是不同的路由页面，那就简单了，我们只考虑当前页面就行。

还有个问题，那个晴天雨天的图片，是按样式显示的。我们虽然能抓到html,但样式还未考虑，，HtmlAgilityPack应该有个从WebBrowser获取网页的，似乎能支持样式。本篇文章先跳过这个问题，以后再细究。

配置规则

根据网页结构，配置对应规则。

public void RunWeather()

{

var rule = new SpliderRule()

{

ContentXPath = "//div[@id='15d']",

EachXPath = "*//li",

Url = "http://www.weather.com.cn/weather15d/101020100.shtml",

RuleFields = new List<RuleField>() {

new RuleField(){ DisplayName="日期",XPath="span[@class='time']", IsFirstInnerText=true },

new RuleField(){ DisplayName="天气",XPath="span[@class='wea']",Attribute="", IsFirstInnerText=false },

new RuleField(){ DisplayName="区间",XPath="span[@class='tem']",Attribute="", IsFirstInnerText=false },

new RuleField(){ DisplayName="风向",XPath="span[@class='wind']",Attribute="", IsFirstInnerText=false },

new RuleField(){ DisplayName="风力",XPath="span[@class='wind1']",Attribute="", IsFirstInnerText=false },

}

};

var splider = new ArticleSplider();

var list = splider.GetByRule(rule);

foreach (var item in list)

{

var msg = string.Empty;

item.Fields.ForEach(M =>

{

msg += $"{M.DisplayName}:{M.Value} ";

});

Console.WriteLine(msg);

}

}

运行效果

效果再次完美！

源码

代码已提交到GitHub：https://github.com/fancunwei/CsharpFanDemo

总结探讨

综上所述，我们实现单页面的自定义规则，但也遗留了一个小问题。天气预报晴天阴天效果图，原文是用样式展示的。

针对这种不规则问题，如果代码定制当然很容易，但如果做成通用，有什么好办法呢？请提出你的建议！

下篇文章，继续探讨多页面/递归爬虫自定义规则的实现。

看完本文有收获？请转发分享给更多人

关注「DotNet」，提升.Net技能

登录查看更多

相关内容

XPath

关注 1

XPath即为XML路径语言，它是一种用来确定XML（标准通用标记语言的子集）文档中某部分位置的语言。XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初 XPath 的提出的初衷是将其作为一个通用的、介于XPointer与XSLT间的语法模型。但是 XPath 很快的被开发者采用来当作小型查询语言。

【实用书】Python技术手册，第三版767页pdf

专知会员服务

234+阅读 · 2020年5月21日

干净的数据：数据清洗入门与实践，204页pdf

专知会员服务

161+阅读 · 2020年5月14日

Python计算导论，560页pdf，Introduction to Computing Using Python

专知会员服务

72+阅读 · 2020年5月5日