汽車之家店鋪數據抓取 DotnetSpider實戰
一、背景
春節也不能閑著，一直想學一下爬蟲怎麽玩，網上搜了一大堆，大多都是Python的，大家也比較活躍，文章也比較多，找了一圈，發現園子裏面有個大神開發了一個DotNetSpider的開源庫，很值得慶幸的，該庫也支持.Net Core，於是乘著春節的空檔研究一下整個開源項目，順便實戰一下。目前互聯網汽車行業十分火熱，淘車，人人車，易車，汽車之家，所以我選取了汽車之家，芒果汽車這個店鋪，對數據進行抓取。
二、開發環境
VS2017+.Net Core2.x+DotNetSpider+Win10
三、開發
3.1新建.Net Core項目
新建一個.Net Core 控制臺應用
3.2通過Nuget添加DotNetSpider類庫
搜索DotnetSpider，添加這兩個庫就行了
3.3分析需要抓取的網頁地址
打開該網頁https://store.mall.autohome.com.cn/83106681.html，紅框區域就是我們要抓取的信息。
我們通過Chrome的開發工具的Network抓取到這些信息的接口，在裏面可以很清楚的知道HTTP請求中所有的數據，包括Header，Post參數等等，其實我們把就是模擬一個HTTP請求，加上對HTML的一個解析就可以將數據解析出來。
參數page就是頁碼，我們只需要修改page的值就可以獲取指定頁碼的數據了。
返回結果就是列表頁的HTML。
3.4創建存儲實體類AutoHomeShopListEntity
class AutoHomeShopListEntity : SpiderEntity
{
public string DetailUrl { get; set; }
public string CarImg { get; set; }
public string Price { get; set; }
public string DelPrice { get; set; }
public string Title { get; set; }
public string Tip { get; set; }
public string BuyNum { get; set; }
public override string ToString()
{
return $"{Title}|{Price}|{DelPrice}|{BuyNum}";
}
}
3.5創建AutoHomeProcessor
用於對於獲取到的HTML進行解析並且保存
private class AutoHomeProcessor : BasePageProcessor
{
protected override void Handle(Page page)
{
List<AutoHomeShopListEntity> list = new List<AutoHomeShopListEntity>();
var modelHtmlList = page.Selectable.XPath(".//div[@class=‘list‘]/ul[@class=‘fn-clear‘]/li[@class=‘carbox‘]").Nodes();
foreach (var modelHtml in modelHtmlList)
{
AutoHomeShopListEntity entity = new AutoHomeShopListEntity();
entity.DetailUrl = modelHtml.XPath(".//a/@href").GetValue();
entity.CarImg = modelHtml.XPath(".//a/div[@class=‘carbox-carimg‘]/img/@src").GetValue();
var price = modelHtml.XPath(".//a/div[@class=‘carbox-info‘]").GetValue(DotnetSpider.Core.Selector.ValueOption.InnerText).Trim().Replace(" ", string.Empty).Replace("\n", string.Empty).Replace("\t", string.Empty).TrimStart(‘¥‘).Split("¥");
if (price.Length > 1)
{
entity.Price = price[0];
entity.DelPrice = price[1];
}
else
{
entity.Price = price[0];
entity.DelPrice = price[0];
}
entity.Title = modelHtml.XPath(".//a/div[@class=‘carbox-title‘]").GetValue();
entity.Tip = modelHtml.XPath(".//a/div[@class=‘carbox-tip‘]").GetValue();
entity.BuyNum = modelHtml.XPath(".//a/div[@class=‘carbox-number‘]/span").GetValue();
list.Add(entity);
}
page.AddResultItem("CarList", list);
}
}
3.6創建AutoHomePipe
用於輸出抓取到的結果。
private class AutoHomePipe : BasePipeline
{
public override void Process(IEnumerable<ResultItems> resultItems, ISpider spider)
{
foreach (var resultItem in resultItems)
{
Console.WriteLine((resultItem.Results["CarList"] as List<AutoHomeShopListEntity>).Count);
foreach (var item in (resultItem.Results["CarList"] as List<AutoHomeShopListEntity>))
{
Console.WriteLine(item);
}
}
}
}
3.7創建Site
主要就是將HTTP的Header部信息放進去
var site = new Site
{
CycleRetryTimes = 1,
SleepTime = 200,
Headers = new Dictionary<string, string>()
{
{ "Accept","text/html, */*; q=0.01" },
{ "Referer", "https://store.mall.autohome.com.cn/83106681.html"},
{ "Cache-Control","no-cache" },
{ "Connection","keep-alive" },
{ "Content-Type","application/x-www-form-urlencoded; charset=UTF-8" },
{ "User-Agent","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.167 Safari/537.36"}
}
};
3.8構造Request
因為我們所抓取到的接口必須用POST，如果是GET請求則這一部可以省略，參數就放在PostBody就行。
List<Request> resList = new List<Request>();
for (int i = 1; i <= 33; i++)
{
Request res = new Request();
res.PostBody = $"id=7&j=%7B%22createMan%22%3A%2218273159100%22%2C%22createTime%22%3A1518433690000%2C%22row%22%3A5%2C%22siteUserActivityListId%22%3A8553%2C%22siteUserPageRowModuleId%22%3A84959%2C%22topids%22%3A%22%22%2C%22wherePhase%22%3A%221%22%2C%22wherePreferential%22%3A%220%22%2C%22whereUsertype%22%3A%220%22%7D&page={i}&shopid=83106681";
res.Url = "https://store.mall.autohome.com.cn/shop/ajaxsitemodlecontext.jtml";
res.Method = System.Net.Http.HttpMethod.Post;
resList.Add(res);
}
3.9構造爬蟲並且執行
var spider = Spider.Create(site, new QueueDuplicateRemovedScheduler(), new AutoHomeProcessor())
.AddStartRequests(resList.ToArray())
.AddPipeline(new AutoHomePipe());
spider.ThreadNum = 1;
spider.Run();
3.10執行結果
四、下次預告
接下來我會將對商品的詳情頁數據（包括車型參數配置之類的）進行抓取，接口已經抓取到了，還在思考如果更加便捷獲取到商品id，因為目前來看商品id是存儲在頁面的js全局變量中，抓取起來比較費勁。
五、總結
.Net 相對於別的語言感覺並不是那麽活躍，DotnetSpider雖然時間不長，但是希望園子裏面大夥都用起來，讓他不斷的發展，讓我們的.Net能夠更好的發展。
原文地址: https://www.cnblogs.com/FunnyBoy/p/8453338.html
汽車之家店鋪數據抓取 DotnetSpider實戰