动态抓取网页信息

时间：2022-02-27 08:36:04

　　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：

动态抓取网页信息

 　　采集后的结果：

动态抓取网页信息

　　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

动态抓取网页信息

　　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）采集下来动态抓取网页信息，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。。。

 

 

 

动态抓取网页信息 动态抓取网页信息
标签：

相关文章