分享一套抓数据小程序，客户资料、实时新闻、股票数据…随心抓

     为了拓展公司业务，客服部需要大量相关行业的客户资料。由于公司规模不大，从成本上考虑购买数据不太现实，所以我们就开发了一套方案，从行业相关的商业网站上去抓取客户资料。

   鉴于不同的网站在数据排版、字符编码、获取数据方式（get或post）不同。如要抓到自己想要的数据，针对每个网站都需要进行网页的分析，有效数据的提取。在这里主要分享关键代码，顺便把最近写的一个程序源代码贴出来供园友们下载研究，里面有抓取三个网站数据的例子（深市A股、三星手机、当当网微软技术丛书，抓取不同的网站需要修改运行入口）。掌握其中一个的技巧，便可以在所有类似网站上获取你想要的数据，比方你在炒股，你可以抓取股票网站数据到本地，做个报表分析，操作的好，能让你赚的盆满钵满；假若你自己有个淘宝网店，需要商品图片，copy别人店铺的图片多慢啊，抓取便是；如果你有博客或新闻网站，没有更新的数据怎么办，看中哪个网站抓取便是。说了这么多，回正题……

下面我以抓取其中一个网站为例来介绍这个小程序，首先抓取任务如下：

http://detail.zol.com.cn/cell_phone_index/subcate57_98_list_1.html
只要图片，手机名称，价格，网络模式，网络类型，其它信息不要
手机图片要下载下来

1.程序界面设计如下，只为达到抓取数据目的，界面比较鄙陋筒靴们将就看:-)。

 

 

 

 

 

 

 

2.用时信息通过Timer控件的tick事件来显示抓取用的时间，代码如下：

 1  #region //时间处理
 2         int duration = 0;
 3         private void timer1_Tick(object sender, EventArgs e)
 4         {
 5             duration++;
 6             lbTime.Text = "用时：" + GetTimeBySecount(int.Parse(duration.ToString().Trim()));
 7         }
 8         /// <summary>
 9         /// 通过秒返回时：分：秒格式的时间
10         /// </summary>
11         /// <returns></returns>
12         private string GetTimeBySecount(int s)
13         {
14             s = s + 1;
15             TimeSpan timeSpan = new TimeSpan(0, 0, s);
16             string hour = timeSpan.Hours < 10 ? timeSpan.Hours.ToString().Trim().PadLeft(2, '0') : timeSpan.Hours.ToString().Trim();
17             string minute = timeSpan.Minutes < 10 ? timeSpan.Minutes.ToString().Trim().PadLeft(2, '0') : timeSpan.Minutes.ToString().Trim();
18             string second = timeSpan.Seconds < 10 ? timeSpan.Seconds.ToString().Trim().PadLeft(2, '0') : timeSpan.Seconds.ToString().Trim();
19             return string.Format("{0}:{1}:{2}", hour, minute, second);
20         }
21         #endregion


3.进度信息用的是委托显示抓取详情，代码如下：

 1  #region //委托显示用户提示信息
 2         /// <summary>
 3         /// 为了进程之间通信，定义一个委托
 4         /// </summary>
 5         /// <param name="displayString">实时处理的信息</param>
 6         /// <param name="lbl">接收实时处理信息的 Label 对象</param>
 7         /// <param name="ui">承载 Label 控件的窗体对象</param>
 8         delegate void SetText(string displayString, Label lbl, Form ui);
 9         /// <summary>
10         /// 利用委托操作窗体线程上的 Lable 控件
11         /// </summary>
12         /// <param name="str">实时处理的信息</param>
13         /// <param name="lb">接收实时处理信息的 Label 对象</param>
14         /// <param name="fui">承载 Label 控件的窗体对象</param>
15         public static void SetLableText(string str, Label lb, Form fui)
16         {
17             if (lb.InvokeRequired)
18             {
19                 SetText st = new SetText(SetLableText);
20                 fui.Invoke(st, str, lb, fui);
21             }
22             else
23             {
24                 lb.Text = str;
25             }
26         }
27         #endregion


4.拖放一个backgroundWorker控件，启动DoWork事件和RunWorkerCompleted事件。

  • DoWork代码如下（代码中标红的方法是几个关键的方法
    Common.Get_HttpAll：根据网页地址，和字符编码获取网页源代码返回string
    Common.ResolverAndOutput：从网页内容中获取关键信息，通常用于获取列表数据，table里面的tr数据。
    参数1传入要分析的网页内容；
    参数2传入要分析的网页内容的起始点，为空则表示从网页内容起始位置开始；
    参数3传入要分析的网页内容的终结点，为空则表示截止到网页内容的最后位置；
    参数4传入过滤规则，例如：<tr>（?<content>.+?）</tr>，表示获取参数2和参数3之间的字符串中所有<tr>开始，</tr>结束的所有字符串，这些字符串用$~拼接；
    参数5默认传入1；
    参数6默认传入false；
    Common.JieQuString：截取字符串中A和B之间的数据。参数1传入带分析的字符串；参数2传入A（A在字符串中唯一）；参数3传入B（B在字符串中唯一）
    ）：
     1 private void backgroundWorker1_DoWork(object sender, DoWorkEventArgs e)
 2         {
 3             try
 4             {
 5                 DataSet ds = new DataSet();
 6                 DataTable dtContact = new DataTable("tbl");
 7                 dtContact.Columns.Add("name");
 8                 dtContact.Columns.Add("price");
 9                 dtContact.Columns.Add("fileName");
10                 dtContact.Columns.Add("model");
11                 dtContact.Columns.Add("type");
12                 DataRow dr;
13                 int i = 1;
14                 bool flag = true;
15                 do
16                 {
17                     string path = "http://detail.zol.com.cn/cell_phone_index/subcate57_98_list_" + i.ToString() + ".html";
18                     string getHtml = Common.Get_HttpAll(path, "GB2312");
19                     if (!getHtml.Contains("wrong"))
20                     {
21                         string useHtml = Common.ResolverAndOutput(getHtml, "", "", "<div class=\"list-item clearfix\">(?<content>.+?)target=\"_blank\">查询底价</a>", 1, false);
22                         string[] trItem = useHtml.Replace("~", "").Split('$');
23                         flag = trItem.Length > 2;
24                         for (int j = 0; j < trItem.Length - 1; j++)
25                         {
26                             SetLableText("进度：当前正在分析第" + i + " 页,第"+(j+1)+"条数据", lbJD, this);
27                             dr = dtContact.NewRow();
28                             string imgUrl = Common.JieQuString(trItem[j], "<div class=\"pic-box SP\" data-rel=\"", "\">");
29                             int splitIndex=imgUrl.LastIndexOf('/');
30                             if (splitIndex < 0) {
31                                 break;
32                             }
33                             string fileName= imgUrl.Substring(splitIndex, imgUrl.Length - splitIndex).Replace("/","");
34                             //下载当前产品图片
35                             string filepath = "E:\\抓数据\\中关村三星手机图片\\"+fileName;
36                             WebClient mywebclient = new WebClient();
37                             mywebclient.DownloadFile(imgUrl, filepath);
38                             //填充行值
39                             dr["name"] = Common.JieQuString(Common.JieQuString(trItem[j], "<h3>", "</h3>"), ">", "</a>");
40                             dr["price"] = Common.JieQuString(trItem[j],"<span class=\"price\">￥<b class=''>","</b></span>");
41                             dr["fileName"] = fileName;
42                             dr["model"] = Common.JieQuString(trItem[j], "<span>网络模式：</span>", "</li>");
43                             dr["type"] = Common.JieQuString(trItem[j], "<span>网络类型：</span>", "</li>");
44                             dtContact.Rows.Add(dr);
45                         }
46                         ds.Tables.Add(dtContact.Copy());
47                         string savePath = "E:\\抓数据\\中关村三星手机.xml";
48                         ds.WriteXml(savePath);
49                         ds.Tables.Clear();
50                     }
51                     else
52                     {
53                         continue;
54                     }
55                     i++;
56                 } while (flag);
57             }
58             catch (Exception ex)
59             {
60                 MessageBox.Show("代码异常:" + ex);
61             }
62         }

  • RunWorkerCompleted代码如下：

    1 private void backgroundWorker1_RunWorkerCompleted(object sender, RunWorkerCompletedEventArgs e)
2         {
3             timer1.Stop();
4             timer1.Enabled = false;
5             MessageBox.Show("ok,见 E:\\抓数据\\中关村三星手机.xml");
6         }


5.点击窗体抓取数据启动Click事件，代码如下：

1 private void btnGetData_Click(object sender, EventArgs e)
2         {
3             timer1.Enabled = true;
4             timer1.Start();
5             backgroundWorker1.RunWorkerAsync();
6         }


6.大功告成。启动程序效果如下：

 

 

 

 

 

 

 

7.运行完成后查看抓取的数据信息和手机图片如下（把Xml文件拖到Excel中显示）：

 

总结：此例只是针对Get请求数据的情况，而且当前抓取的网站都是不需要登录的。而在实际生产中肯定有Post请求数据的，也有需要登录的，源码里面的Common类提供了各种场景需要的方法，有兴趣的可以深入研究。

源码下载

 

 

posted @ 2013-01-09 10:57  施瓦小辛格  阅读(19685)  评论(71)  编辑  收藏  举报