C#简单爬取数据（.NET使用HTML解析器NSoup和正则两种方式匹配数据）
一、获取数据
想弄一个数据库，由于需要一些人名，所以就去百度一下，然后发现了360图书馆中有很多人名
然后就像去复制一下，发现复制不了，需要登陆
此时f12查看源码是可以复制的，不过就算可以复制想要插入数据也是很麻烦的。既然复制走不通，于是我抱着探索知识的精神，打开了Visual Studio
首先我们需要先拿到整个页面的数据，此时的话可以使用WebClient对象来获取数据(HttpWebRequest方式稍微有点麻烦)，然后使用byte数组来接受一下返回值
public static void GetData(String address) { WebClient wc = new WebClient(); byte[] htmlData = wc.DownloadData(address); }
此时需要将htmlData对象解码为String对象，然后我们在网站中f12看一下解码方式
可以看到charset=utf-8，说明需要用utf-8来解码，然后使用Encoding对象来解码
string html = Encoding.UTF8.GetString(htmlData);
我们输出一下html有没有值
static void Main(string[] args) { //将地址复制过来 GetData("http://www.360doc.com/content/18/1010/13/642066_793541226.shtml"); Console.ReadKey(); } public static void GetData(String address) { WebClient wc = new WebClient(); //地址由调用时传入 byte[] htmlData = wc.DownloadData(address); string html = Encoding.UTF8.GetString(htmlData); Console.WriteLine(html); }
输出：
二、Regex匹配
接下来就是匹配的问题了，首先看一下html文档的结构
就是说只需要匹配到所有的p标签，然后拿到其中的内容就行了
第一种想到的就是使用正则表达式匹配：
public static void GetData(String address) { WebClient wc = new WebClient(); //地址由调用时传入 byte[] htmlData = wc.DownloadData(address); string html = Encoding.UTF8.GetString(htmlData); //使用正则表达式匹配 <p或P>非空字符至少100个<P或p> Regex reg = new Regex("<[pP]>\\S{100,}</[Pp]>"); //接受所有匹配到的项 MatchCollection result = reg.Matches(html); //循环输出 foreach (Match item in result) { Console.WriteLine(item.Value); } }
调用不变，启动：
匹配到是匹配到了，但是我们把<p></p>标签也匹配出来了，所以把正则表达式改进一下，使用组匹配，将p标签中的内容单独匹配出来（当然也可以截取字符串）。也就是说在写正则表达式时，将想要单独匹配出来的数据用括号"(想要单独匹配出来的数据)"括起来，来看一下怎么写：
Regex reg = new Regex("<[pP]>(\\S{100,})</[Pp]>");
然后如果想要拿数据的话，需要使用Match对象的Groups属性通过索引来获取匹配到的组：
public static void GetData(String address) { WebClient wc = new WebClient(); //地址由调用时传入 byte[] htmlData = wc.DownloadData(address); string html = Encoding.UTF8.GetString(htmlData); //使用正则表达式组匹配 <p或P>(非空字符至少100个)<P或p> Regex reg = new Regex("<[pP]>(\\S{100,})</[Pp]>"); //接受所有匹配到的项 MatchCollection result = reg.Matches(html); //循环输出 foreach (Match item in result) { //0的话是整体匹配到的字符串对象 //1就是第一个匹配到的组(\\S{100,) Console.WriteLine(item.Groups[1]); } }
输出结果：
这次p标签就没有被匹配进入组中（如果通过item.Groups[0]拿到的回是和上面匹配到一样的数据，会带p标签）
匹配到了之后就可以使用item.Groups[1].Split('、')来将字符串分割为String数组，然后循环写入数据库，或者进行其他操作。
三、HTML解析器NSoup
虽然正则表达式也可以匹配，但是如果对正则表达式比较陌生的话，可能就不是友好了。如果有方法可以像用js操作html元素一样，用C#操作html字符串，就非常棒了。NSoup就是可以做到解析html字符串，变成可操作的对象。
首先使用前先在管理NuGet程序包中添加：NSoup，直接就可以搜索到，添加完成之后接下来就看一下如何使用
使用NSoupClient.Parse(放入html代码：<html>....</html>)创建一个声明Docuemnt文档对象：
//声明Document对象 Document doc = NSoupClient.Parse(html);
第二种就是使用Document doc = NSoupClient.Connect(放入url) .Get()/.Post()，然后他就会自动获取url地址的html代码，并且根据html代码加载一个Document对象
//通过url自动加载Document对象 Document doc = NSoupClient.Connect(address).Get();
当然还有其他方式获取，然后我们看一下如何使用Document对象
//通过id获取元素 //获取id为form的元素 Element form = doc.GetElementById("form"); //通过标签名获取元素 //获取所有的p标签 Elements p = doc.GetElementsByTag("p"); //通过类样式获取元素 //获取类样式为btn的元素 Elements c = doc.GetElementsByClass("btn"); //通过属性获取 //获取包含style属性的元素 Elements attr = doc.GetElementsByAttribute("style");
也可以自己组合一些其他的嵌套操作，例如：
获取id为artContent下的所有p标签
//使用链式编程 //获取id为artContent下的所有p标签 Elements ps = doc.GetElementById("artContent").GetElementsByTag("p"); //等同于 //Element artContent = doc.GetElementById("artContent"); //Elements ps = artContent.GetElementsByTag("p");
元素方法的使用：
//Elements是Element元素的集合 多了个s //Element对象的方法 Element id = doc.GetElementById("id"); //获取或设置id元素的文本 id.Text(); //获取或设置id元素的html代码 id.Html(); //获取或设置id元素的value值 id.Val();
都是像js操作html元素一样的方法，而且方法的名字也很人性，基本上一看就会知道方法是什么意思，方法也太多了就不一一讲了。
然后我们来使用NSoup获取所有的名字，来试一下就会发现很简单了：
方式一：
public static void GetData(String address) { WebClient wc = new WebClient(); byte[] htmlData = wc.DownloadData(address); string html = Encoding.UTF8.GetString(htmlData); Document doc = NSoupClient.Parse(html); //先获取id为artContent的元素，再获取所有的p标签 Elements p = doc.GetElementById("artContent").GetElementsByTag("p"); foreach (Element item in p) { Console.WriteLine(item.Text()); } }
方式二：
public static void GetData(String address) { //直接通过url来获取Document对象 Document doc = NSoupClient.Connect(address).Get(); //先获取id为artContent的元素，再获取所有的p标签 Elements p = doc.GetElementById("artContent").GetElementsByTag("p"); foreach (Element item in p) { Console.WriteLine(item.Text()); } }
运行结果都是一样的
总结：效率的话不太了解就不做评价了，就简单说一下优缺点：使用正则表达式的话，需要对正则表达式有一定的熟悉，然后匹配数据的话也是很方便的，但是修改、添加、删除的话就不是太方便了；使用HTMl解析器（HtmlAgilityPack、NSoup）的话操作起来明显更方便一些，如果对js有一定的基础，html解析器根本不需要大学习就可以熟练使用，然后对元素进行修改、添加、删除、获取都是非常方便的，不过如果对于未知的html结构就不是太友好了，例如：如果获取页面上所有的http://www.baidu.com这类的地址的话，使用正则就会更好一些。
