c# 爬蟲爬取商品資訊
摘要：
在一個小專案中,需要用到京東的所有商品ID,因此就用c#寫了個簡單的爬蟲。
在解析HTML中沒有使用正則表示式，而是藉助開源專案HtmlAgilityPack解析HTML。
一、下載網頁HTML
首先我們寫一個公共方法用來下載網頁的HTML。
在寫下載HTML方法之前，我們需要...
在一個小專案中,需要用到京東的所有商品ID,因此就用c#寫了個簡單的爬蟲。
在解析HTML中沒有使用正則表示式，而是藉助開源專案HtmlAgilityPack解析HTML。
一、下載網頁HTML
首先我們寫一個公共方法用來下載網頁的HTML。
在寫下載HTML方法之前，我們需要去檢視京東網頁請求頭的相關資訊，在傳送請求時需要用到。
public static string DownloadHtml(string url, Encoding encode)
{
string html = string.Empty;
try
{
HttpWebRequest request = WebRequest.Create(url) as HttpWebRequest;
request.Timeout = 30 * 1000;
request.UserAgent = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36";
request.ContentType = "text/html; charset=utf-8";
using (HttpWebResponse response = request.GetResponse() as HttpWebResponse)
{
if (response.StatusCode == HttpStatusCode.OK)
{
try
{
StreamReader sr = new StreamReader(response.GetResponseStream(), encode);
html = sr.ReadToEnd();//讀取資料
sr.Close();
}
catch (Exception ex)
{
html = null;
}
}
}
}
catch (System.Net.WebException ex)
{
html = null;
}
catch (Exception ex)
{
html = null;
}
return html;
}
如上程式碼所示，我們使用WebRequest來獲取網頁資訊，在傳送請求之前，需要先設定和京東頁面一樣的請求頭。
以上設定的資訊比較簡單，但能夠正常傳送請求，我們也可以模擬瀏覽器設定cookie等等資訊，
二、解析HTML
獲取所有商品的資訊分為兩個步驟
（1）根據商品分類頁面獲取所有商品分類的URL
（2）根據商品分類URL獲取每個商品
1、獲取商品分類
try
{
string html = HttpHelper.DownloadUrl(@"http://www.jd.com/allSort.aspx");
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(html);
string goodClass= @"//*[@class='items']/dl/dd";
HtmlNodeCollection noneNodeList = doc.DocumentNode.SelectNodes(goodClass);
foreach (var node in noneNodeList)
{
HtmlDocument docChild = new HtmlDocument();
docChild.LoadHtml(node.OuterHtml);
string urlPath = "/dd/a";
HtmlNodeCollection list = docChild.DocumentNode.SelectNodes(urlPath);
foreach (var l in list)
{
HtmlDocument docChild1 = new HtmlDocument();
docChild1.LoadHtml(l.OuterHtml);
var sortUrl = l.Attributes["href"].Value;
if (!string.IsNullOrWhiteSpace(sortUrl) && sortUrl.Contains("cat="))
{
InsertSort("https:" + sortUrl);
}
}
}
}
catch (Exception ex)
{
Console.WriteLine(ex.Message);
}
上面的程式碼中使用到了HtmlAgilityPack來解析HTML資訊，這是.NET的開源專案，開源在nuget包中下載。
（1）下載http://www.jd.com/allSort.aspx的html頁，然後載入到HtmlDocument
（2）選擇節點，獲取每個大類的節點集合
（3）根據每個大類的節點，獲取每個小類的節點資訊，然後獲取到分類地址
節點中也包含了其它很多資訊，可以根據自己的需求去獲取對應的資訊
2、獲取具體商品資訊
（1）首先根據商品分類載入分類資訊，獲取到當前分類每個頁面的連結
下載HTML之後，選擇節點，可以將HTML格式化之後檢視每個頁面的url地址和拼接規則，然後藉助HtmlAgilityPack
來篩選需要的節點，將每個頁面的url分離出來
try
{
string html = HttpHelper.DownloadUrl(@"https://list.jd.com/list.html?cat=1620,11158,11964");
HtmlDocument productDoc = new HtmlDocument();
productDoc.LoadHtml(html);
HtmlNode pageNode = productDoc.DocumentNode.SelectSingleNode(@"//*[@id='J_topPage']/span/i");
if (pageNode != null)
{
int pageNum = Convert.ToInt32(pageNode.InnerText);
for (int i = 1; i < pageNum + 1; i++)
{
string pageUrl = string.Format("{0}&page={1}", category.Url, i).Replace("&page=1&", string.Format("&page={0}&", i));
try
{
List<ProductInfo> proDuctInfo = GetPageProduct(pageUrl);
}
catch (Exception ex)
{
Console.WriteLine(ex.Message);
}
}
}
}
catch (Exception ex)
{
Console.WriteLine(ex.Message);
}
（2）根據每個頁面的連結，獲取當前頁面的商品資訊
下載每個頁面的所有商品資訊，需要獲取的商品資訊在頁面中都能找到
首先我們獲取到每個商品的節點集合，獲取到一個商品的節點資訊之後，分析html資料，
找到我們需要的商品的資訊所在的位置，然後將需要的資訊分離出來。
下面的程式碼中我獲取到的商品的id和title還有價格。
List<ProductInfo> productInfoList = new List<ProductInfo>();
try
{
string html = HttpHelper.DownloadUrl(url);
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(html);
HtmlNodeCollection productNodeList = doc.DocumentNode.SelectNodes("//*[@id='plist']/ul/li");
if (productNodeList == null || productNodeList.Count == 0)
{
return productInfoList;
}
foreach (var node in productNodeList)
{
HtmlDocument docChild = new HtmlDocument();
docChild.LoadHtml(node.OuterHtml);
ProductInfo productInfo = new ProductInfo()
{
CategoryId = category.Id
};
HtmlNode urlNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a");
if (urlNode == null)
{
continue;
}
string newUrl= urlNode.Attributes["href"].Value;
newUrl = !newUrl.StartsWith("http:")?"http:" + newUrl: newUrl;
string sId = Path.GetFileName(newUrl).Replace(".html", "");
productInfo.ProductId = long.Parse(sId);
HtmlNode titleNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a/em");
if (titleNode == null)
{
continue;
}
productInfo.Title = titleNode.InnerText;
HtmlNode priceNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-price']/strong/i");
if (priceNode == null)
{
continue;
}
else
{
}
productInfoList.Add(productInfo);
}
//批量獲取價格
GetGoodsPrice(productInfoList);
}
catch (Exception ex)
{
}
return productInfoList;
商品的圖片地址和價格資訊的獲取需要仔細分析html中的資料，然後找到規律，比如價格在每個節點中就不能單獨獲取。
以下為批量獲取價格的程式碼：
try
{
StringBuilder sb = new StringBuilder();
sb.AppendFormat("http://p.3.cn/prices/mgets?callback=jQuery1069298&type=1&area=1_72_4137_0&skuIds={0}&pdbp=0&pdtk=&pdpin=&pduid=1945966343&_=1469022843655", string.Join("%2C", productInfoList.Select(c => string.Format("J_{0}", c.ProductId))));
string html = HttpHelper.DownloadUrl(sb.ToString());
if (string.IsNullOrWhiteSpace(html))
{
return productInfoList;
}
html = html.Substring(html.IndexOf("(") + 1);
html = html.Substring(0, html.LastIndexOf(")"));
List<CommodityPrice> priceList = JsonConvert.DeserializeObject<List<CommodityPrice>>(html);
productInfoList.ForEach(c => c.Price = priceList.FirstOrDefault(p => p.id.Equals(string.Format("J_{0}", c.ProductId))).p);
}
catch (Exception ex)
{
Console.WriteLine(ex.Message);
}
return productInfoList;
以上就是一個簡單的爬取京東商品資訊的爬蟲，也可以根據自己的需求去解析更多的資料出來。