C# 网络爬虫+HtmlAgilityPack+Xpath+爬虫工具类的封装的使用_c# xpath

目录

1 工具准备

2 思路准备

3 附加知识准备——XPath

简述

看看例子

用XPath来寻找标签

获取所有同名的标签

获取指定标签

一个实例

最后的补充

4 代码实现

5 爬虫工具类的封装

6 使用爬虫工具类爬虫

---

1 工具准备

1  Visual Studio 需要安装包 HtmlAgilityPack

 

 2 命名空间的引入

在新建的程序头顶加入

using HtmlAgilityPack;
using HtmlDocument = HtmlAgilityPack.HtmlDocument;

3 注备好一双可以复制粘贴的小手，和一个还能跑的电脑，咯咯~

2 思路准备

图我已经给各位画好了，请参看

 

3 附加知识准备——XPath

简述

XPath 是一门在 XML 文档中查找信息的语言，虽然是被设计用来搜寻 XML 文档的，但是它也能应用于 HTML 文档，并且大部分浏览器也支持通过 XPath 来查询节点。在 Python 爬虫开发中，经常使用 XPath 查找提取网页中的信息，因此 XPath 非常重要。

XPath 使用路径表达式来选取 XML 文档中的节点或节点集。节点是沿着路径(path)或者步(steps)来选取的。接下来介绍如何选取节点，首先了解一下常用的路径表达式，来进行节点的选取，如下表所示：

看看例子

用XPath来寻找标签

获取所有同名的标签

我们只需要用:  //标签名

即可，比如看下图我们使用了//ul寻找到了所有名为ul的标签了

获取指定标签

那么我们想要去选取具体的那个标签怎么办那？

有童鞋可能会想到，直接加下表访问但是！！在有时候是行不通的，

很简单，我们先将获取的的所以ul块对象存在数组中，然后使用下标访问就好了

只是这些我们要在C#中进行操作了，不能直接在网络控制台上进行操作了，咯咯~

/html/body/div[1]/div[2]/ul

一个实例

 我们使用这串Xpath代码就可以获取到所有在指定位置下的li标签了

/html/body/div[1]/div[2]/ul/li

最后的补充

XPath 在进行节点选取的时候可以使用通配符*匹配未知的元素，同时使用操作符|一次选取多条路径，使用示例如下表所示。

4 代码实现

其实有了上面的基础知识，就可以自由发挥了，我这里抛砖引玉一下。

我们以美女图片大全_高清美女图片_性感美女写真_极品美女图片 - 美图131为例对MV图片的源地址，以及标签进行提取。

以下代码我们只用理解逻辑以及方法即可，可能也有很多漏洞与BUG，但这些不是重点滴！

        public void getdata()
        {
            //----全网首发----//
          
            //建立实例化htmlweb对象用于加载，处理网页
            HtmlWeb htmlWeb = new HtmlWeb();
            //设置为Encoding.UTF8编码，防止乱码
            htmlWeb.OverrideEncoding = Encoding.UTF8;
            
            //初始化网页地址
            String init_url = @"https://www.meitu131.com/meinv/";
 
            加载网页返回值为HtmlDocument类型，用var也行，哈哈
            HtmlDocument htmlDoc = htmlWeb.Load(init_url);
            
            //打印一下网页的HTML文档，看看效果
            //Console.WriteLine(htmlDoc.Text);
            //使用XPath定位元素
            string xpath = "";
            string init_xpath = "/html/body/div[1]/div[2]/ul/li";
 
            //获取本页所有li的节点数目，这便是本页图集的个数
            int new_page_sum = htmlDoc.DocumentNode.SelectNodes(init_xpath).Count;
            //对每个li节点进行提取，并拼接图集的网址
            for (int a_ = 0; a_ < new_page_sum; a_++)
            {
                xpath = "/html/body/div[1]/div[2]/ul/li[" + (a_ + 1) + "]/div[1]/a";
                init_img_src.Add("https://www.meitu131.com" + htmlDoc.DocumentNode.SelectSingleNode(xpath).Attributes["href"].Value.ToString());
            }
            //对每一页进行遍历，获取
            for (int b_ = 0; b_ < new_page_sum; b_++)
            {
                string temp_src = @init_img_src[b_];
                string temp_paxth_ = "//*[@id='main-wrapper']/div[2]/p/a/img";
                string temp_paxth = "//*[@id='pages']/a[1]";
                HtmlDocument htmlDoc_1 = htmlWeb.Load(temp_src);
                string c = htmlDoc_1.DocumentNode.SelectSingleNode(temp_paxth).InnerHtml.ToString();
                
                //获取当前图集所有页数page_sum[1]
                String[] page_sum = c.Split('/');
                for (int c_ = 0; c_ < 1; c_++)
                {
                    string temp_url;
                    if (c_ == 0)
                    {
                        temp_url = temp_src + "index.html";
 
                    }
                    else
                    {
                        temp_url = temp_src + "index_" + (c_ + 1) + ".html";
                    }
 
                    HtmlDocument htmlDoc_2 = htmlWeb.Load(temp_url);
                    end_img_url.Add(htmlDoc_1.DocumentNode.SelectSingleNode(temp_paxth_).Attributes["src"].Value.ToString());
                    end_img_name.Add(htmlDoc_1.DocumentNode.SelectSingleNode(temp_paxth_).Attributes["alt"].Value.ToString());
                }
            }
            textBox1.AppendText("数据获取完成，开始保存文件......");
        }

5 爬虫工具类的封装

为了更方便的爬虫，我对常用的方法进一步进行了封装，开箱即用。

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Net;
using System.IO;
using System.Diagnostics;
using HtmlAgilityPack;
using System.Net.Http;
 
namespace 爬虫
{
    public static class pc_Help
    {
        /// <summary>
        /// Url网络资源下载
        /// </summary>
        /// <param name="Download_Path">下载地址</param>
        /// <param name="resource_name">资源名列表</param>
        /// <param name="resource_url">资源Url列表</param>
        /// <param name="Download_Type">下载文件后缀（不加.）</param>
        /// <returns> 毫秒运行时间 float</returns>
        public static string Download_Url(string Download_Path, List<string> resource_name, List<string> resource_url, string Download_Type)
        {
            try
            {
                string Download_Path_ = Download_Path;
                Stopwatch sw = new Stopwatch();
                sw.Start();
 
                int len = resource_name.Count;
                int num = 0;
 
                WebClient wb = new WebClient();
                DirectoryInfo info = new DirectoryInfo(Download_Path_);
                if (!info.Exists)
                {
                    Directory.CreateDirectory(Download_Path_);
                }
                for (int d_ = 0; d_ < len; d_++)
                {
                    Download_Path = $@"{Download_Path_}\{(num + 1)}{resource_name[d_]}.{Download_Type}";
 
                    num++;
                    wb.DownloadFile(resource_url[d_], Download_Path);
                }
                sw.Stop();
                return $"文件保存完成!耗时:{sw.ElapsedMilliseconds/1000}s\r\n";
            }
            catch (Exception e)
            {
                throw new Exception("保存数据出错", e);
            }
            }
 
        /// <summary>
        /// 从Url地址下载HTML页面
        /// </summary>
        /// <param name="url"></param>
        /// <returns></returns>
        public async static ValueTask<HtmlDocument> LoadHtmlFromUrlAsync(string url)
        {
            
            //如果web不是空就异步下载html文档
            HtmlWeb web = new HtmlWeb();
            web.OverrideEncoding = Encoding.UTF8;
            return await web?.LoadFromWebAsync(url);
        }
 
        /// <summary>
        /// 获取单个节点的扩展方法
        /// </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>
        /// 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>一个列表</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>一个列表</returns>
        public static HtmlNodeCollection GetNodes(this HtmlNode htmlNode, string xPath)
        {
            return htmlNode?.SelectNodes(xPath);
        }
 
 
        /// <summary>
        /// 下载图片
        /// </summary>
        /// <param name="url">地址</param>
        /// <param name="filpath">文件路径</param>
        /// <returns>存在即覆盖</returns>
        /// 
        //同步完成时的ValueTask<TResult>，<>里可以是任何类型
        public async static ValueTask<bool> DownloadImg(string url, string filpath)
        {
            HttpClient hc = new HttpClient();
            try
            {
                //字节流异步写入
                var bytes = await hc.GetByteArrayAsync(url);
                //存在即覆盖
                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);
            }
 
        }
 
 
    }
}

6 使用爬虫工具类爬虫

这边给个例子，还是以我们以美女图片大全_高清美女图片_性感美女写真_极品美女图片 - 美图131为例

以下代码我们只用理解逻辑以及方法即可，可能也有很多漏洞与BUG，但这些不是重点滴！

 public async ValueTask<bool> getdata_()
        {
            try
            {
                HtmlDocument html_3 = await pc_Help.LoadHtmlFromUrlAsync(init_url);
                string stack_all_page_sum_string = pc_Help.GetSingleNode(html_3, "//*[@id='pages']/a[11]").Attributes["href"].Value.ToString();
                //正则匹配全站所有图集的个数
                Regex regex = new Regex(@"\d{2}");
                int stack_all_page_sum_int = Convert.ToInt32(regex.Match(stack_all_page_sum_string).ToString());
                if (pagesum < 24)
                {
                    HtmlDocument htmlDoc;
                    htmlDoc = await pc_Help.LoadHtmlFromUrlAsync(init_url);
                    string xpath = "";
                    //获取此页面上（具有多个图集封面的页面）的所有图集的初始页的数目
                    int new_page_sum = pc_Help.GetNodes(htmlDoc, "/html/body/div[1]/div[2]/ul/li").Count;
                    //拼接当前页面上（具有多个图集封面的页面）的所有图集的初始页的地址
                    for (int a_ = 0; a_ < pagesum; a_++)
                    {
                        xpath = "/html/body/div[1]/div[2]/ul/li[" + (a_ + 1) + "]/div[1]/a";
                        init_img_src.Add("https://www.meitu131.com" + pc_Help.GetSingleNode(htmlDoc, xpath).Attributes["href"].Value.ToString());
                    }
 
                    for (int b_ = 0; b_ < pagesum; b_++)
                    {
                        string temp_src = @init_img_src[b_];
                        string temp_paxth_ = "//*[@id='main-wrapper']/div[2]/p/a/img";
                        string temp_paxth = "//*[@id='pages']/a[1]";
                        HtmlDocument htmlDoc_1 = await pc_Help.LoadHtmlFromUrlAsync(temp_src);
                        string c = pc_Help.GetSingleNode(htmlDoc_1, temp_paxth).InnerHtml.ToString();
                        //获取本图集所有页数page_sum[1]
                        string[] page_sum = c.Split('/');
                        //Convert.ToInt32(page_sum[1])
                        //每个图集页面的拼接，与请求保存图片
                        for (int c_ = 0; c_ < length; c_++)
                        {
                            string temp_url;
                            if (c_ == 0)
                            {
                                temp_url = temp_src + "index.html";
 
                            }
                            else
                            {
                                temp_url = temp_src + "index_" + (c_ + 1) + ".html";
                            }
 
                            HtmlDocument htmlDoc_2 = await pc_Help.LoadHtmlFromUrlAsync(temp_url);
                            string src = pc_Help.GetSingleNode(htmlDoc_2, temp_paxth_).Attributes["src"].Value.ToString();
                            string alt = pc_Help.GetSingleNode(htmlDoc_2, temp_paxth_).Attributes["alt"].Value.ToString();
                            end_img_url.Add(src);
                            end_img_name.Add(alt);
                            num++;
                            textBox1.AppendText($"{num}-->{alt}-->{src}\r\n");
                        }
                    }
                }
                else
                {
                    for (int x_ = 0; x_ < pagesum; x_++)
                    {
                      
                    }
                    ero = false;
                    MessageBox.Show("待实现中....");
                }
                if (ero)
                {
                    textBox1.AppendText("数据获取完成，正在保存文件......\r\n");
                }
                else {
                    textBox1.AppendText("数据获取失败......\r\n");
                }
                return true;
            }
 
            catch (Exception ex)
            {
 
                throw new Exception("数据获取异常", ex);
            }
 
        }