前几天在做数据库实验时，总是手动的向数据库中添加少量的固定数据，于是就想如何向数据库中导入大量的动态的数据？在网上了解了网络爬虫，它可以帮助我们完成这项工作，关于网络爬虫的原理和基础知识，网上有大量的相关介绍，本人不想在累述，个人觉得下面的文章写得非常的好（网络爬虫基本原理一、网络爬虫基本原理二）。
本博客就以采集博客园首页的新闻部分为例吧。本例为了直观简单就采用MVC，将采集到的数据显示到页面中，（其实有好多小型网站就是采用抓取技术抓取网上各自需要的信息，再做相应的应用）。另外在实际的抓取过程中可以采用多线程抓取，以加快采集的速度。
下面我们先看看博客园的首页并做相关的分析：
采集后的结果：
抓取的原理：先获取对应url页面的html内容，然后根据找出你要抓取的目标数据的的html结构，看看这个结构是否有某种规律，然后用正则去匹配这个规则，匹配到了以后就可以采集出来。我们可以先看看页面源码，可以发现新闻部分的规律：位于id="post_list"的<div>之间
于是，我们便可以得到相应的正则表达式了。
"<div\\s*class=\"post_item\">\\s*.*\\s*.*\\s*.*\\s*.*\\s*.*\\s*.*\\s*.*\\s*<div\\s*class=\"post_item_body\">\\s*<h3><a\\s*class=\"titlelnk\"\\s*href=\"(?<href>.*)\"\\s*target=\"_blank\">(?<title>.*)</a>.*\\s*<p\\s*class=\"post_item_summary\">\\s*(?<content>.*)\\s*</p>"
原理很简单，下面我就给出源代码：线建立一个MVC空项目，再在Controller文件下添加一个控制器HomeController,再为控制器添加一个视图Index
HomeController.cs部分代码：
using System;using System.Collections.Generic;using System.IO;using System.Net;using System.Text.RegularExpressions;using System.Web.Mvc;namespace WebApplication1.Controllers{ public class HomeController : Controller { /// <summary> /// 通过Url地址获取具体网页内容 发起一个请求获得html内容 /// </summary> /// <param name="strUrl"></param> /// <returns></returns> public static string SendUrl(string strUrl) { try { WebRequest webRequest = WebRequest.Create(strUrl); WebResponse webResponse = webRequest.GetResponse(); StreamReader reader = new StreamReader(webResponse.GetResponseStream()); string result = reader.ReadToEnd(); return result; } catch (Exception ex) { throw ex; } } public ActionResult Index() { string strPattern = "<div\\s*class=\"post_item\">\\s*.*\\s*.*\\s*.*\\s*.*\\s*.*\\s*.*\\s*.*\\s*<div\\s*class=\"post_item_body\">\\s*<h3><a\\s*class=\"titlelnk\"\\s*href=\"(?<href>.*)\"\\s*target=\"_blank\">(?<title>.*)</a>.*\\s*<p\\s*class=\"post_item_summary\">\\s*(?<content>.*)\\s*</p>"; List<List<string>> list = new List<List<string>>(); Regex regex = new Regex(strPattern, RegexOptions.IgnoreCase | RegexOptions.Multiline | RegexOptions.CultureInvariant); if (regex.IsMatch(SendUrl("http://www.cnblogs.com/"))) { MatchCollection matchCollection = regex.Matches(SendUrl("http://www.cnblogs.com/")); foreach (Match match in matchCollection) { List<string> one_list = new List<string>(); one_list.Add(match.Groups[2].Value);//获取到的是列表数据的标题 one_list.Add(match.Groups[3].Value);//获取到的是内容 one_list.Add(match.Groups[1].Value);//获取到的是链接到的地址 list.Add(one_list); } } ViewBag.list = list; return View(); } }}Index视图部分代码：
@{ Layout = null;}<!DOCTYPE html><html><head> <meta name="viewport" content="width=device-width" /> <title>Index</title> <style type="text/css"> #customers { font-family: "Trebuchet MS", Arial, Helvetica, sans-serif; width: 100%; border-collapse: collapse; outline: #00ff00 dotted thick; } #customers td, #customers th { font-size: 1em; border: 1px solid #98bf21; padding: 3px 7px 2px 7px; } #customers th { font-size: 1.1em; text-align: left; padding-top: 5px; padding-bottom: 4px; background-color: #A7C942; color: #ffffff; } </style></head><body> <div> <table id="customers"> <tr> <th>标题</th> <th>内容</th> <th>链接</th> </tr> @foreach (var a in ViewBag.list) { int count = 0; <tr> @foreach (string b in a) { if (++count == 3) { <td><a href="@b">@HttpUtility.HtmlDecode(b)</a></td>@*使转义符正常输出*@ } else if(count==1) { <td><font color="red">@HttpUtility.HtmlDecode(b)</font></td> } else { <td>@HttpUtility.HtmlDecode(b)</td> } } </tr> } </table> </div></body></html> 博客写到这，一个完整的MVC项目就可以运行了，但是我只采集了一页，我们也可以将博客园首页中的分页那部分（即pager_buttom）采集下来，再添加实现分页的方法即可，在此代码我就不贴了，自己试试看。不过如果要将信息导入数据库，则需要建立相应的表，然后按照表中的属性在从html中一一采集抽取出所需要的相应信息即可,另外我们不应该将采集到的每条新闻对应的页面源码存入数据库，而应该将每个新闻对应的链接存入数据库即可。原因是下载大量的新闻对应的页面需要大量的时间，印象采集的效率，并且将大量的新闻页面文件存入数据库，会需要大量的内存，还会影响数据库的性能。
本人也是个菜鸟，刚学不久，敬请大神们指摘。谢谢。勿笑。。。
原标题：动态抓取网页信息
关键词：
我知道了 