使用HtmlAgilityPack实现简单的博客园主页内容抓取(2014-03-31)
一、时间:
2014-03-31 18:08:32,又到了下班的时间了,忙了一天,也累了,中午都没吃饭。。。。。
二、事件:
win8刚出来那会,有个想法,想做一个第三方的博客园软件应用,奈何技术太渣,琐事良多,只能不了了之,最近想自己做个网站,于是就想抓取园子里面的内容,因为每天看博客都会让我成长,学到很多!
三、实现方法:
本来想自己存取网页,利用正则解析页面,奈何到解析标题时各种问题,而且自己想想也知道效率不是很高,于是就有了使用HtmlAgilityPack(下载地址:http://htmlagilitypack.codeplex.com/,开源的dll,很不错!)来实现网页解析,也可以用微软自己的mshtml,相对而言HtmlAgilityPack更好,于是就用了!
四、代码简单实现:
1 using System; 2 using System.Collections; 3 using System.IO; 4 using System.Net; 5 using System.Text; 6 using System.Text.RegularExpressions; 7 using HtmlAgilityPack; 8 namespace 测试 9 { 10 class Program 11 { 12 static void Main(string[] args) 13 { 14 ////指定请求 15 //HttpWebRequest request = (HttpWebRequest)WebRequest.Create("http://www.cnblogs.com/#p2"); 16 17 ////得到返回 18 //HttpWebResponse response = (HttpWebResponse)request.GetResponse(); 19 20 ////得到流 21 //Stream recStream = response.GetResponseStream(); 22 23 ////编码方式 24 //Encoding gb2312 = Encoding.UTF8; 25 26 ////指定转换为gb2312编码 27 //StreamReader sr = new StreamReader(recStream, gb2312); 28 29 ////以字符串方式得到网页内容 30 //String content = sr.ReadToEnd(); 31 32 WebClient wc = new WebClient(); 33 wc.BaseAddress = "http://www.cnblogs.com/sitehome/p/2"; 34 wc.Encoding = Encoding.UTF8; 35 HtmlDocument doc = new HtmlDocument(); 36 string html = wc.DownloadString("http://www.cnblogs.com/sitehome/p/2"); 37 doc.LoadHtml(html); 38 string listNode = "/html/body/div[1]/div[4]/div[6]"; 39 string[] title = new string[20]; 40 string[] digest = new string[20]; 41 string[] time = new string[20]; 42 string[] uriList = new string[20]; 43 string str; 44 HtmlNode node; 45 for(int i=0;i<20;i++) 46 { 47 str = listNode + "/div[" + (i+1) + "]/div[2]/h3[1]"; 48 node = doc.DocumentNode.SelectSingleNode(str); 49 title[i]=node.InnerText; 50 str = listNode + "/div[" + (i+1) + "]/div[2]/p[1]"; 51 node = doc.DocumentNode.SelectSingleNode(str); 52 digest[i] = node.InnerText; 53 str = listNode + "/div[" + (i+1) + "]/div[2]/div[1]"; 54 node = doc.DocumentNode.SelectSingleNode(str); 55 Regex r = new Regex("\\s20\\d\\d-\\d\\d-\\d\\d\\s\\d\\d:\\d\\d"); 56 Match m = r.Match(node.InnerText); 57 time[i] = m.ToString(); 58 59 str = listNode + "/div[" + (i + 1) + "]/div[2]/h3[1]/a[1]"; 60 node = doc.DocumentNode.SelectSingleNode(str); 61 uriList[i] = node.Attributes["href"].Value; 62 } 63 foreach(string str2 in title) 64 { 65 Console.WriteLine(str2); 66 } 67 foreach (string str2 in uriList) 68 { 69 Console.WriteLine(str2); 70 } 71 foreach (string str2 in time) 72 { 73 Console.WriteLine(str2); 74 } 75 Console.ReadKey(); 76 }
五、结果:
六、简单说明:
前20行博客主题
中间20行博客地址
后面20行时间
七、注意:
1. http://www.cnblogs.com/sitehome/p/2 :主页第二页,前面使用http://www.cnblogs.com/#p2一直不行,看了源码部分的js才明白,
2.本人技术有限,不喜勿喷,但是欢迎提意见交流,
3.本人新建一群:交友&&知识学习&&职业交流,希望:互帮互助,互相学习。。。。闲人勿进,有意请冒泡一下!