用AngleSharp & LINQPad抓取分析博客园排行榜
AngleSharp简单介绍
- AngleSharp 是一个
.NET 库
- 使您能够解析基于尖括号的超文本,如
HTML、SVG、MathML、XML
- AngleSharp的一个重要方面是
CSS也可以解析
。 - 同时还是开源,免费的
Github: https://github.com/AngleSharp/AngleSharp
使用文档: https://anglesharp.github.io/
开发工具的推荐LINQPad
介绍:一个小巧,打开秒速,随时能写C#,不至于灵感快速流失的小工具
下载地址:https://www.linqpad.net/
有免费版,基本功能已经够用。我们公司买了它的Premium版。
AngleSharp 代码实操
实操前一些分享一些C#的知识点
如何快速发送网络请求获取到数据呢?
可以用如下:
1、HttpWebRequest
2、WebClient
3、HttpClient
4、RestSharp
5、Flurl
本期重点用HttpClient
来实现
起手式
引用NuGet包: Install-Package AngleSharp
使用场景案例
- 获取博客园排行榜的Html并且解析
IConfiguration config = Configuration.Default.WithDefaultLoader();
string address = "https://www.cnblogs.com/aggsite/SideRight";
IBrowsingContext context = BrowsingContext.New(config);
IDocument document = await context.OpenAsync(address);
IHtmlCollection<IElement> side_right = document.QuerySelectorAll("div");
side_right.Select(m => new {
title = m.QuerySelector(".card-title a")?.TextContent,
url = m.QuerySelectorAll("ul li").Select(x => x.TextContent)
})
.Where(x => x.title != null)
.Dump();
通过上面代码快速就能分析且快速抓取博客园的排行榜,简单,快速,高效 代码少,有没有觉得Linq语法糖配合请求一些框架的强大呢,朋友们
效果图
既然都能抓取数据了,接下来就是爬虫最重要的分析啦
2.分析博客园每天什么时候发博客看的人数最多,点赞的人数最多,星期几发文章多,哪个大佬发文章多
获取数据的方法
通过HttpClient加上Linq加上AngleSharp实现请求获取Hmtl => 保存Json => 分析Json 生成有价值的图表
public void GetData()
{
var http = new HttpClient();
var parser = new HtmlParser();
File.WriteAllText(@"C:\Users\QYM\Desktop\OfficFile\BlogData.json", JsonConvert.SerializeObject(Enumerable.Range(1, 200)
.AsParallel()
.AsOrdered()
.SelectMany(page =>
{
var content = new StringContent(JsonConvert.SerializeObject(new
{
CategoryId = "808",
CategoryType = "SiteHome",
ItemListActionName = "AggSitePostList",
PageIndex = $"{page}",
ParentCategoryId = "0",
TotalPostCount = "4000"
}), Encoding.UTF8, "application/json");
var resp = http.PostAsync("https://www.cnblogs.com/AggSite/AggSitePostList", content).Result;
var document = parser.ParseDocument(resp.Content.ReadAsStringAsync().GetAwaiter().GetResult());
return document?.QuerySelectorAll("article").Select(pageContext =>
{
return new
{
Url = pageContext.QuerySelector(".post-item-text a").GetAttribute("href").Trim(),
Title = pageContext.QuerySelector(".post-item-text a").TextContent.Trim(),
Context = pageContext.QuerySelector(".post-item-text p").TextContent.Trim(),
Name = pageContext.QuerySelector("footer a").TextContent.Trim(),
DateTime = DateTime.Parse(pageContext.QuerySelector("footer .post-meta-item").TextContent),
LookOK = pageContext.QuerySelector("footer .post-meta-item+a span").TextContent.Trim(),
LookPerson = pageContext.QuerySelector("footer .post-meta-item+a+a+a span").TextContent.Trim()
};
});
}), Newtonsoft.Json.Formatting.Indented));
}
效果图
获取博客园200页数据
读取数据并且调用LinqPad 自带的Chart图表方法进行分析
public void ReadData()
{
var data = JsonConvert.DeserializeObject<List<BlogJsonData>>(File.ReadAllText(@"C:\Users\QYM\Desktop\OfficFile\BlogData.json"));
Util.Chart(data
.GroupBy(x => x.DateTime.Hour)
.Select(x => new { Hour = x.Key, ViewCount = 1.0 * x.Sum(v => v.LookPerson) })
.OrderByDescending(x => x.Hour),
x => x.Hour,
y => y.ViewCount, Util.SeriesType.Bar).Dump("时间段观看人数最多");
Util.Chart(data
.GroupBy(x => x.DateTime.Hour)
.Select(x => new { Hour = x.Key, ViewCount = 1.0 * x.Sum(v => v.LookOk) })
.OrderByDescending(x => x.Hour),
x => x.Hour,
y => y.ViewCount, Util.SeriesType.Bar).Dump("时间段点赞人数最多");
Util.Chart(data
.GroupBy(x => x.DateTime.DayOfWeek)
.Select(x => new { WeekDay = x.Key, ArticleCount = x.Count() })
.OrderBy(x => x.WeekDay),
x => x.WeekDay.ToString(),
y => y.ArticleCount, Util.SeriesType.Bar).Dump("星期几发文章最多");
Util.Chart(data
.GroupBy(x => x.Name)
.Select(x => new { UserName = x.Key, ArticleCount = x.Count() })
.OrderByDescending(x => x.ArticleCount)
.Take(9),
x => x.UserName,
y => y.ArticleCount, Util.SeriesType.Bar).Dump("哪个大佬发文章比较多");
}
效果图
源文件Json
分析数据的实体
public class BlogJsonData
{
public string Url { get; set; }
public string Title { get; set; }
public string Context { get; set; }
public string Name { get; set; }
public DateTime DateTime { get; set; }
public int LookOk { get; set; }
public int LookPerson {get;set;}
}
接下来就是见证奇迹的时候,通过分析抓取到html,保存成Json分析出一些意想不到的图表
效果图
- 时间段观看人数最多?
看来博客园一般查看人数最多的是9点->10点,说明哈哈哈,果然大家早上都是喜欢关注编程的大事呀
- 时间段点赞人数最多?
果然早起的鸟儿有虫吃,如果想要博客点赞高,那就必须早上九点 -> 10点 抓住阅读高峰期,菜鸟收获高赞,得到很多人的认可
- 星期几发文章最多?
看来星期一到星期五中发博客最多的星期一和星期二,最不想上班的两天最适合用来灵感创作写文字
- 哪个大佬发文章比较多?
目测近期京东云开发者对博客园贡献很大,看了一下,质量都是很高的文章,极力推荐
作者 => 百宝门瞿佑明
原文地址:https://blog.baibaomen.com/用anglesharp-linqpad抓取分析博客园排行榜/