C# 爬虫简单教程

1、使用第三方类库 HtmlAgilityPack

官方网址：https://html-agility-pack.net/?z=codeplex、

// From File 从文件获取html信息
var doc = new HtmlDocument();
doc.Load(filePath);

// From String 从字符串获取html信息
var doc = new HtmlDocument();
doc.LoadHtml(html);

// From Web  从网址获取html信息
var url = "http://html-agility-pack.net/";
var web = new HtmlWeb();
var doc = web.Load(url);

1.1、这里介绍一下最后一种用法

var web = new HtmlWeb();
var doc = web.Load(url);

在 web 中我们还可以设置cookie、headers等信息，来处理一些特定的网站需求，比如需要登陆等。

1.2 用法解释

网页在你查看网页源代码之后只是一段字符串，而爬虫所做的就是在这堆字符串中，查询到我们想要的信息，挑选出来。
以往的筛选方法：正则 （太麻烦了，写起来有些头疼）
HtmlAgilityPack 支持通过XPath来解析我们需要的信息。

1.2.1 在哪里找XPath？

网页右键检查

通过XPath就可以准确获取你想要元素的全部信息。

1.2.2 获取选中Html元素的信息？

获取选中元素

var web = new HtmlWeb();
var doc = web.Load(url);
var htmlnode = doc?.DocumentNode?.SelectSingleNode("/html/body/header")

获取元素信息

htmlnode.InnerText;
htmlnode.InnerHtml;
//根据属性取值
htmlnode?.GetAttributeValue("src", "未找到")

2、自己封装的类库

/// <summary>
 /// 下载HTML帮助类
 /// </summary>
 public static class LoadHtmlHelper
 {
   /// <summary>
   /// 从Url地址下载页面
   /// </summary>
   /// <param name="url"></param>
   /// <returns></returns>
   public async static ValueTask<HtmlDocument> LoadHtmlFromUrlAsync(string url)
   {
     HtmlWeb web = new HtmlWeb();
      return await
        web?.LoadFromWebAsync(url);
   }

/// <summary>
   /// 获取单个节点扩展方法
   /// </summary>
   /// <param name="htmlDocument">文档对象</param>
   /// <param name="xPath">xPath路径</param>
   /// <returns></returns>
   public static HtmlNode GetSingleNode(this HtmlDocument htmlDocument, string xPath)
   {
    return htmlDocument?.DocumentNode?.SelectSingleNode(xPath);
   }

/// <summary>
   /// 获取多个节点扩展方法
   /// </summary>
   /// <param name="htmlDocument">文档对象</param>
   /// <param name="xPath">xPath路径</param>
   /// <returns></returns>
   public static HtmlNodeCollection GetNodes(this HtmlDocument htmlDocument, string xPath)
   {
     return htmlDocument?.DocumentNode?.SelectNodes(xPath);
   }

/// <summary>
   /// 获取多个节点扩展方法
   /// </summary>
   /// <param name="htmlDocument">文档对象</param>
   /// <param name="xPath">xPath路径</param>
   /// <returns></returns>
   public static HtmlNodeCollection GetNodes(this HtmlNode htmlNode, string xPath)
   {
     return htmlNode?.SelectNodes(xPath);
   }

/// <summary>
   /// 获取单个节点扩展方法
   /// </summary>
   /// <param name="htmlDocument">文档对象</param>
   /// <param name="xPath">xPath路径</param>
   /// <returns></returns>
   public static HtmlNode GetSingleNode(this HtmlNode htmlNode, string xPath)
   {
     return htmlNode?.SelectSingleNode(xPath);
   }

/// <summary>
   /// 下载图片
   /// </summary>
   /// <param name="url">地址</param>
   /// <param name="filpath">文件路径</param>
   /// <returns></returns>
   public async static ValueTask<bool> DownloadImg(string url ,string filpath)
   {
     HttpClient httpClient = new HttpClient();
     try
     {
       var bytes = await httpClient.GetByteArrayAsync(url);
       using (FileStream fs = File.Create(filpath))
       {
         fs.Write(bytes, 0, bytes.Length);
       }
       return File.Exists(filpath);
     }
     catch (Exception ex)
     {

throw new Exception("下载图片异常", ex);
     }

}
 }

3、自己写的爬虫案例，爬取的网站https://www.meitu131.com/

数据存储层没有实现，懒得写了，靠你们喽，我是数据暂时存在了文件中
GitHub地址：https://github.com/ZhangQueque/quewaner.Crawler.git

来源：https://www.cnblogs.com/ZhangQueque/p/14163406.html