[转]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：

 #region //时间处理
        int duration = 0;
        private void timer1_Tick(object sender, EventArgs e)
        {
            duration++;
            lbTime.Text = "用时：" + GetTimeBySecount(int.Parse(duration.ToString().Trim()));
        }
        /// <summary>
        /// 通过秒返回时：分：秒格式的时间
        /// </summary>
        /// <returns></returns>
        private string GetTimeBySecount(int s)
        {
            s = s + 1;
            TimeSpan timeSpan = new TimeSpan(0, 0, s);
            string hour = timeSpan.Hours < 10 ? timeSpan.Hours.ToString().Trim().PadLeft(2, '0') : timeSpan.Hours.ToString().Trim();
            string minute = timeSpan.Minutes < 10 ? timeSpan.Minutes.ToString().Trim().PadLeft(2, '0') : timeSpan.Minutes.ToString().Trim();
            string second = timeSpan.Seconds < 10 ? timeSpan.Seconds.ToString().Trim().PadLeft(2, '0') : timeSpan.Seconds.ToString().Trim();
            return string.Format("{0}:{1}:{2}", hour, minute, second);
        }
        #endregion

3.进度信息用的是委托显示抓取详情，代码如下：

 #region //委托显示用户提示信息
        /// <summary>
        /// 为了进程之间通信，定义一个委托
        /// </summary>
        /// <param name="displayString">实时处理的信息</param>
        /// <param name="lbl">接收实时处理信息的 Label 对象</param>
        /// <param name="ui">承载 Label 控件的窗体对象</param>
        delegate void SetText(string displayString, Label lbl, Form ui);
        /// <summary>
        /// 利用委托操作窗体线程上的 Lable 控件
        /// </summary>
        /// <param name="str">实时处理的信息</param>
        /// <param name="lb">接收实时处理信息的 Label 对象</param>
        /// <param name="fui">承载 Label 控件的窗体对象</param>
        public static void SetLableText(string str, Label lb, Form fui)
        {
            if (lb.InvokeRequired)
            {
                SetText st = new SetText(SetLableText);
                fui.Invoke(st, str, lb, fui);
            }
            else
            {
                lb.Text = str;
            }
        }
        #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）

  ）：

  private void backgroundWorker1_DoWork(object sender, DoWorkEventArgs e)
          {
              try
              {
                  DataSet ds = new DataSet();
                  DataTable dtContact = new DataTable("tbl");
                  dtContact.Columns.Add("name");
                  dtContact.Columns.Add("price");
                  dtContact.Columns.Add("fileName");
                  dtContact.Columns.Add("model");
                  dtContact.Columns.Add("type");
                  DataRow dr;
                  int i = 1;
                  bool flag = true;
                  do
                  {
                      string path = "http://detail.zol.com.cn/cell_phone_index/subcate57_98_list_" + i.ToString() + ".html";
                      string getHtml = Common.Get_HttpAll(path, "GB2312");
                      if (!getHtml.Contains("wrong"))
                      {
                          string useHtml = Common.ResolverAndOutput(getHtml, "", "", "<div class=\"list-item clearfix\">(?<content>.+?)target=\"_blank\">查询底价</a>", 1, false);
                          string[] trItem = useHtml.Replace("~", "").Split('$');
                          flag = trItem.Length > 2;
                          for (int j = 0; j < trItem.Length - 1; j++)
                          {
                              SetLableText("进度：当前正在分析第" + i + " 页,第"+(j+1)+"条数据", lbJD, this);
                              dr = dtContact.NewRow();
                              string imgUrl = Common.JieQuString(trItem[j], "<div class=\"pic-box SP\" data-rel=\"", "\">");
                              int splitIndex=imgUrl.LastIndexOf('/');
                              if (splitIndex < 0) {
                                  break;
                              }
                              string fileName= imgUrl.Substring(splitIndex, imgUrl.Length - splitIndex).Replace("/","");
                              //下载当前产品图片
                              string filepath = "E:\\抓数据\\中关村三星手机图片\\"+fileName;
                              WebClient mywebclient = new WebClient();
                              mywebclient.DownloadFile(imgUrl, filepath);
                              //填充行值
                              dr["name"] = Common.JieQuString(Common.JieQuString(trItem[j], "<h3>", "</h3>"), ">", "</a>");
                              dr["price"] = Common.JieQuString(trItem[j],"<span class=\"price\">￥<b class=''>","</b></span>");
                              dr["fileName"] = fileName;
                              dr["model"] = Common.JieQuString(trItem[j], "<span>网络模式：</span>", "</li>");
                              dr["type"] = Common.JieQuString(trItem[j], "<span>网络类型：</span>", "</li>");
                              dtContact.Rows.Add(dr);
                          }
                          ds.Tables.Add(dtContact.Copy());
                          string savePath = "E:\\抓数据\\中关村三星手机.xml";
                          ds.WriteXml(savePath);
                          ds.Tables.Clear();
                      }
                      else
                      {
                          continue;
                      }
                      i++;
                  } while (flag);
              }
              catch (Exception ex)
              {
                  MessageBox.Show("代码异常:" + ex);
              }
          }

• RunWorkerCompleted代码如下：

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

5.点击窗体抓取数据启动Click事件，代码如下：

private void btnGetData_Click(object sender, EventArgs e)
        {
            timer1.Enabled = true;
            timer1.Start();
            backgroundWorker1.RunWorkerAsync();
        }

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

 

正在看本人博客的这位童鞋，我看你气度不凡，谈吐间隐隐有王者之气，日后必有一番作为！旁边有“推荐”二字，你就顺手把它点了吧，相得准，我分文不收；相不准，你也好回来找我！

原文地址: http://www.cnblogs.com/wenyang-rio/archive/2013/01/09/2850893.html