你的位置:首页 > ASP.net教程

[ASP.net教程]利用Abot 抓取博客园新闻数据


1. 引言

相比于Java而言,基于C#的开源爬虫就少了很多。入行这么多年也从未接触过爬虫。出于兴趣今天给大家介绍一个C# 的爬虫工具Abot. 需要使用可以通过Nuget获取。Abot本身就支持多线程的爬取,

内部使用CsQuery来解析爬取到的Html文档。熟悉jQuery的同学肯定能快速上手CsQuery, 它就是一个C#版本的jQuery。

这里以爬取博客园当天的新闻数据为例,看看如何使用Abot。

 

2. 博客园新闻页面

http://news.cnblogs.com/ 这是博客园的新闻首页。可以看到典型的分页显示。比如 http://news.cnblogs.com/n/page/2/ 这是新闻的第二页。

真正的新闻详细页面 比如:http://news.cnblogs.com/n/544956/, 通过正则表达式可以很轻松的匹配这两种Url 类型。

当然我们可以通过一个 for 循环分别爬取各个page的新闻数据。然后解析出发表于今天的新闻。但是我希望只以http://news.cnblogs.com/ 为种子页面,爬取今天的新闻。

由于博客园新闻分页并不是采用Ajax,对于爬虫而言这非常友好

image

因此我们定义

    /// <summary>    /// 种子Url    /// </summary>    public static readonly Uri FeedUrl = new Uri(@"http://news.cnblogs.com/");    /// <summary>    ///匹配新闻详细页面的正则     /// </summary>    public static Regex NewsUrlRegex = new Regex("^http://news.cnblogs.com/n/\\d+/$", RegexOptions.Compiled);    /// <summary>    /// 匹配分页正则     /// </summary>    public static Regex NewsPageRegex = new Regex("^http://news.cnblogs.com/n/page/\\d+/$", RegexOptions.Compiled);

 

3. 实现

Abot 其实已经对爬虫内部实现封装的非常精巧,使用者只需要设置一些Config 参数和爬取页面的一些事件即可。

    public static IWebCrawler GetManuallyConfiguredWebCrawler()    {      CrawlConfiguration config = new CrawlConfiguration();      config.CrawlTimeoutSeconds = 0;      config.DownloadableContentTypes = "text/html, text/plain";      config.IsExternalPageCrawlingEnabled = false;      config.IsExternalPageLinksCrawlingEnabled = false;      config.IsRespectRobotsDotTextEnabled = false;      config.IsUriRecrawlingEnabled = false;      config.MaxConcurrentThreads = System.Environment.ProcessorCount;      config.MaxPagesToCrawl = 1000;      config.MaxPagesToCrawlPerDomain = 0;      config.MinCrawlDelayPerDomainMilliSeconds = 1000;      var crawler = new PoliteWebCrawler(config, null, null, null, null, null, null, null, null);      crawler.ShouldCrawlPage(ShouldCrawlPage);      crawler.ShouldDownloadPageContent(ShouldDownloadPageContent);      crawler.ShouldCrawlPageLinks(ShouldCrawlPageLinks);      crawler.PageCrawlStartingAsync += crawler_ProcessPageCrawlStarting;            //爬取页面后的回调函数       crawler.PageCrawlCompletedAsync += crawler_ProcessPageCrawlCompletedAsync;      crawler.PageCrawlDisallowedAsync += crawler_PageCrawlDisallowed;      crawler.PageLinksCrawlDisallowedAsync += crawler_PageLinksCrawlDisallowed;      return crawler;    }

具体调用非常简单:

    public static void Main(string[] args)    {      var crawler = GetManuallyConfiguredWebCrawler();      var result = crawler.Crawl(FeedUrl);      System.Console.WriteLine(result.ErrorException);    }

最主要的是PageCrawlCompletedAsync,可以在该事件下获取需要的页面数据。

    public static void crawler_ProcessPageCrawlCompletedAsync(object sender, PageCrawlCompletedArgs e)    {      //判断是否是新闻详细页面      if (NewsUrlRegex.IsMatch(e.CrawledPage.Uri.AbsoluteUri))      {        //获取信息标题和发表的时间          var csTitle = e.CrawledPage.CsQueryDocument.Select("#news_title");        var linkDom = csTitle.FirstElement().FirstChild;        var newsInfo = e.CrawledPage.CsQueryDocument.Select("#news_info");        var dateString = newsInfo.Select(".time", newsInfo);        //判断是不是今天发表的         if (IsPublishToday(dateString.Text()))        {          var str = (e.CrawledPage.Uri.AbsoluteUri + "\t" + HtmlData.HtmlDecode(linkDom.InnerText) + "\r\n");          System.IO.File.AppendAllText("fake.txt", str);        }      }    }    /// <summary>    /// "发布于 2016-05-09 11:25" => true    /// </summary>    public static bool IsPublishToday(string str)    {      if (string.IsNullOrEmpty(str))      {        return false;      }      const string prefix = "发布于";      int index = str.IndexOf(prefix, StringComparison.OrdinalIgnoreCase);      if (index >= 0)      {        str = str.Substring(prefix.Length).Trim();      }      DateTime date;      return DateTime.TryParse(str, out date) && date.Date.Equals(DateTime.Today);    }

为了提升爬取的效果 比如在首页爬虫抓取到 http://news.cnblogs.com/n/topiclist/, 显然这样的链接我们不需要, 那就可以设置爬取的规则:

    /// <summary>    /// 如果是Feed页面或者分页或者详细页面才需要爬取     /// </summary>    private static CrawlDecision ShouldCrawlPage(PageToCrawl pageToCrawl, CrawlContext context)    {      if (pageToCrawl.IsRoot || pageToCrawl.IsRetry || FeedUrl == pageToCrawl.Uri        || NewsPageRegex.IsMatch(pageToCrawl.Uri.AbsoluteUri)        || NewsUrlRegex.IsMatch(pageToCrawl.Uri.AbsoluteUri))      {        return new CrawlDecision {Allow = true};      }      else      {        return new CrawlDecision {Allow = false, Reason = "Not match uri"};      }    }    /// <summary>    /// 如果是Feed页面或者分页或者详细页面才需要爬取     /// </summary>    private static CrawlDecision ShouldDownloadPageContent(PageToCrawl pageToCrawl, CrawlContext crawlContext)    {      if (pageToCrawl.IsRoot || pageToCrawl.IsRetry        || NewsPageRegex.IsMatch(pageToCrawl.Uri.AbsoluteUri)        || NewsUrlRegex.IsMatch(pageToCrawl.Uri.AbsoluteUri))      {        return new CrawlDecision        {          Allow = true        };      }      return new CrawlDecision { Allow = false, Reason = "Not match uri" };    }    private static CrawlDecision ShouldCrawlPageLinks(CrawledPage crawledPage, CrawlContext crawlContext)    {      if (!crawledPage.IsInternal)        return new CrawlDecision {Allow = false, Reason = "We dont crawl links of external pages"};      if (crawledPage.IsRoot || crawledPage.IsRetry        || NewsPageRegex.IsMatch(crawledPage.Uri.AbsoluteUri))      {        return new CrawlDecision {Allow = true};      }      else      {        return new CrawlDecision {Allow = false, Reason = "We only crawl links of pagination pages"};      }    }

最终抓到的数据:

image

 

4. 总结

Abot 还是一个非常方便爬虫,如果运用到实际生产环境中,参数配置是首先需要解决的,比如 MaxPagesToCrawl 最大抓取的页面数,还可以设置爬虫内存限制等。

 

欢迎访问我的个人网站 51zhang.net 网站还在不断开发中…