网页分页数据抓取的几种方式

网页分页数据抓取的几种方式

  相信所有个人网站的站长都有抓取别人数据的经历吧，目前抓取别人网站数据的方式无非两种方式：

  一、使用第三方工具，其中最著名的是火车头采集器，在此不做介绍。

  二、自己写程序抓取，这种方式要求站长自己写程序，可能对对站长的开发能力有所要求了。

  本人起初也曾试着用第三方的工具抓取我所需要的数据，由于网上的流行的第三方工具不是不符合我的要求，就是过于复杂，我一时没有搞明白怎么用，后来索性决定自己写吧，现在本人基本上半天可以搞定一个网站（只是程序开发时间，不包括数据抓取的时间）。

    经过一段时间的数据抓取生涯，也曾遇到了很多困难，其中最常见的一个就是关于分页数据的抓取问题，原因在于分数据分页的形式有很多种，下面我主要针对三种形式介绍一下抓取分页数据的方法，此类文章虽然在网上见过很多，但每次拿别人的代码总也总是有各种各样的问题，下面各种方式的代码都是能正确执行，并且我目前也正在使用中的。本文中代码实现是用C#语言来实现的，我想其他语言原理大致相同

下面切入正题：

     第一种方式：URL地址中包含分页信息，这种形式是最简单的，这种形式使用第三方工具抓取也很简单，基本上不用写代码，对于我这种宁可自己花个半天时间写代码也懒得学第三方工具的人，还是通过自己写代码实现了；

    这种方式就是通过循环生成数据分页的URL地址 如： 这样通过HttpWebRequest访问对应URL地址，返回对应页面的html文本，接下来的任务就是对字符串的解析，将需要的内容保存到本地数据库内；抓取的代码可参考下面：

 public string GetResponseString(string url)
        {
           
            string _StrResponse = "";
            HttpWebRequest _WebRequest = (HttpWebRequest)WebRequest.Create(url);
            _WebRequest.UserAgent = "MOZILLA/4.0 (COMPATIBLE; MSIE 7.0; WINDOWS NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.5.21022; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729)";
            _WebRequest.Method = "GET";
            WebResponse _WebResponse = _WebRequest.GetResponse();
            StreamReader _ResponseStream = new StreamReader(_WebResponse.GetResponseStream(), System.Text.Encoding.GetEncoding("gb2312"));
            _StrResponse = _ResponseStream.ReadToEnd();
            _WebResponse.Close();
            _ResponseStream.Close();
            return _StrResponse;
        }  

上面的代码可以返回对应页面的html内容的字符串，剩下的工作就是从这个字符串中获取自己关心的信息了。

 

第二种方式：可能是通过asp.net开发的网站常会遇到，它的分页控件通过post方式 提交分页信息到后台代码，如.net下Gridview自带的分页功能，当你点击分页的页码时，会发现URL地址没有变化，但页码变化了，页面内容也变化，仔细看会发现，把鼠标移到每个页码上的时候状态栏会显示 javascript:__dopostback("gridview","page1")等等 之类的代码，这种形式其实也不是很难，因为毕竟有地方得到页码的规律可寻。

   我们知道http请求提交的方式有两种一种是get一种是Post，第一种方式是get方式，那么第二种方式就是post方式，具体提交的原理不必细说，不是本文的重点

抓取这种页面 需要注意asp.net页面的几个重要的元素

   一、 __VIEWSTATE ，这个应该是.net特有的，也是让.net开发人员既爱又恨的东西，当你打开一个网站的某一个页面的时候，如果发现这个东西，而且后面还跟随着一大堆乱七八糟的字符的时候，那这个网站肯定是用asp.net写的了;

   二、__dopostback方法，这个是asp.net页面自动生成一个javascript方法，包含两个参数，__EVENTTARGET，__EVENTARGUMENT，这两个参数可以参看页码对应的内容，因为点击翻页的时候，会将页码信息传给这两个参数。

   三、__EVENTVALIDATION 这个也也应该是asp.net特有的东西

大家也不用 太关心这三个东西都是干什么的，只需要注意自己写代码抓取页面的时候 记得提交这三个元素就可以了。

    和第一种方式一样，肯定要通过循环的方式是去拼凑_dopostback的两个参数，只需要拼其中包含了页码信息的参数即可。这里有一个需要注意的地方，就是在每次通过Post提交请求下一页的时候，先应得到当前页的__VIEWSTATE 信息和__EVENTVALIDATION信息，所以分页数据的第一页可采用第一种方式得到页码内容然后，同时取出对应的__VIEWSTATE 信息和__EVENTVALIDATION信息，然后再做循环处理下一页面，然后每抓取完一个页面，再记录下__VIEWSTATE 信息和__EVENTVALIDATION信息，为下一个页面post提交数据使用

参考代码如下：

 for (int i = 0; i < 1000; i++)
            {
                System.Net.WebClient WebClientObj = new System.Net.WebClient();
                System.Collections.Specialized.NameValueCollection PostVars = new System.Collections.Specialized.NameValueCollection();
                PostVars.Add("__VIEWSTATE", "此处是您需要提前得到的信息");
                PostVars.Add("__EVENTVALIDATION", "此处是您需要提前得到的信息");
                PostVars.Add("__EVENTTARGET", "此处是__dopostback方法对应的参数");
                PostVars.Add("__EVENTARGUMENT",  "此处是__dopostback方法对应的参数");
                WebClientObj.Headers.Add("ContentType", "application/x-www-form-urlencoded");
                try
                {
                    byte[] byte1 = WebClientObj.UploadValues("http://www.xxxx.cn/messagelist.aspx", "POST", PostVars);
                    string ResponseStr = Encoding.UTF8.GetString(byte1); //得到当前页面对应的html 文本字符串
                    GetPostValue(ResponseStr);//得到当前页面对应的 __VIEWSTATE 等上面需要的信息，为抓取下一页面使用
                    SaveMessage(ResponseStr);//保存自己关心的内容到数据库中
                }
                catch (Exception ex)
                {
                    Console.WriteLine(ex.Message);
                }
            }

 

第三种方式是最麻烦的，也是最恶心的，这种页面 在你翻页的过程中没有任何一个地方可以找到页码信息，这种方式费了我很大的力气，后来采用了一个比较狠的办法，用代码模拟手动翻页，这种方式应该可以处理任何形式的翻页数据，原理就是，用代码模拟人工点击翻页链接，用代码一页一页的翻页，然后一页一页的抓取。