WebsiteCrawler
看到网上不少py的爬虫功能极强大，可惜对py了解的不多，以前尝试过使用c# WebHttpRequert类来读取网站的html页面源码，然后通过正则表达式筛选出想要的结果，但现在的网站中，多数使用js动态加载，对于获取内容一直没有头绪，之前的一些代码也比较老，一些网站的改版和反爬的使用造成很多以前的规则都无法使用了，看了基于C#.NET的高端智能化网络爬虫（二）（攻破携程网）的源码决定自己用c#做一个小爬虫项目试一试，也来学习一下思路。
思路
1.爬虫其实只是替代用户去浏览、记录想要访问网站的一些信息，理论上和我们自己手动打开浏览器所能看见的东西是一样的。
2.网站中有ajax提交请求的部分，爬虫须模拟用户触发提交并等待页面的再次加载完成。
3.页面加载完成后，得到页面的文件内容，通过分析其规律性，筛选出想要的内容并记录。
4.继续触发页面事件，直到完全获得我们想要的数据。
轮子
1.C#多线程使用webbrowser实现采集动态网页的爬虫机器人
4.基于C#.NET的高端智能化网络爬虫（二）（攻破携程网）（主要参考）[GITHUB]
待解决的问题
1.爬虫替代用户浏览，如何能完整的获取出页面源码内容。
2.如何模拟用户触发页面事件。
3.如何等待页面动态内容执行完成。
4.翻页应该如何处理。
5.将爬取出来的数据保存。
6.提取配置，让一套代码可以通过设置爬取不同的网站。
开始
1.使用vs新建项目WebSiteCrawler：本地环境win7，vs2012，.NET Framework4.5
1.下载Selenium [selenium版本大全]:将项目下4个dll文件加入项目
1.1
1.2
1.3
2.下载phantomjs:将exe文件复制出来，放入项目/bin/debug/plugin文件夹下
3.创建爬虫接口crawler/ICrawler及涉及到的类,来创建爬虫的基础功能。
public interface ICrawler { /// <summary> /// 爬虫启动 /// </summary> event EventHandler<OnStartEventArgs> OnStart; /// <summary> /// 爬虫完成 //</summary> event EventHandler<OnComplateEventArgs> OnComplate; /// <summary> /// 出现错误 /// </summary> event EventHandler<OnErrorEventArg> OnError; /// <summary> /// 当前页爬取完成 /// </summary> event EventHandler<OnComplateALLEventArgs> OnOnComplateAll; /// <summary> /// 启动爬虫进程 /// </summary> /// <param name="uri"></param> /// <param name="script"></param> /// <param name="operation"></param> /// <returns></returns> Task Start(Uri uri, Script script, Operation operation); }
public class OnStartEventArgs { private Uri uri; public Uri Uri { get { return uri; } set { uri = value; } } public OnStartEventArgs(Uri uri) { this.uri = uri; } }
public class OnComplateEventArgs { /// <summary> /// 地址 /// </summary> private Uri uri; public Uri Uri { get { return uri; } set { uri = value; } } /// <summary> /// 线程Id /// </summary> private int threadId; public int ThreadId { get { return threadId; } set { threadId = value; } } /// <summary> /// 页面源码 /// </summary> private string pageSource; public string PageSource { get { return pageSource; } set { pageSource = value; } } /// <summary> /// 爬虫请求执行事件 /// </summary> private long milliseconds; public long Milliseconds { get { return milliseconds; } set { milliseconds = value; } } private IWebDriver webDriver; public IWebDriver WebDriver { get { return webDriver; } set { webDriver = value; } } public OnComplateEventArgs(Uri uri, int threadId, string pageSource, long milliseconds, IWebDriver webDriver) { this.uri = uri; this.threadId = threadId; this.pageSource = pageSource; this.milliseconds = milliseconds; this.webDriver = webDriver; }
public class OnErrorEventArg { private Uri uri; public Uri Uri { get { return uri; } set { uri = value; } } private Exception exception; public Exception Exception { get { return exception; } set { exception = value; } } public OnErrorEventArg(Uri uri, Exception exception) { this.uri = uri; this.exception = exception; } }
public class OnComplateALLEventArgs { public OnComplateALLEventArgs() { } }
public class Script { private string code; public string Code { get { return code; } set { code = value; } } private object[] args; public object[] Args { get { return args; } set { args = value; } } }
public class Operation { public Action<PhantomJSDriver> Action; public Func<IWebDriver, bool> Condition; private int timeout = 5000; public int Timeout { get { return timeout; } set { timeout = value; } } }
这里添加了爬虫爬取数据的一些阶段事件（OnStart/OnComplate/OnError/OnComplateAll）和异步Start开始爬取方法。Start方法的参数中，Script类用于处理执行js相关的操作（没有特殊操作值为null），Operation类用于设置访问的一些参数（事件/条件/超时时间等），我们会在接下来的实现类中发现其使用方法。
4.创建 爬虫实现类 WebsiteCrawler,实现接口ICrawler
public class WebsiteCrawler : ICrawler { public event EventHandler<OnStartEventArgs> OnStart; public event EventHandler<OnComplateEventArgs> OnComplate; public event EventHandler<OnErrorEventArg> OnError; public event EventHandler<OnComplateALLEventArgs> OnOnComplateAll; /// <summary> /// PhantomJS内核参数 /// </summary> private PhantomJSOptions _options; /// <summary> /// Selenium驱动设置 /// </summary> private PhantomJSDriverService _service; public WebsiteCrawler(string proxy = null) { this._options = new PhantomJSOptions();//定义PhantomJS的参数配置对象 this._service = PhantomJSDriverService.CreateDefaultService(Environment.CurrentDirectory + "//plugin");//初始化Selenium配置，传入存放phantomjs.exe文件的目录 _service.IgnoreSslErrors = true;//忽略证书错误 _service.WebSecurity = false;//禁用网页安全 // _service.HideCommandPromptWindow = true;//隐藏弹出窗口 _service.LoadImages = false;//禁止加载图片 _service.LocalToRemoteUrlAccess = true;//允许使用本地资源响应远程 URL _options.AddAdditionalCapability(@"phantomjs.page.settings.userAgent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36"); if (proxy != null) { _service.ProxyType = "HTTP";//使用HTTP代理 _service.Proxy = proxy;//代理IP及端口 } else { _service.ProxyType = "none";//不使用代理 } } public async Task Start(Uri uri, Script script, Operation operation) { await Task.Run(() => { //执行OnStart if (this.OnStart != null) this.OnStart(this, new OnStartEventArgs(uri)); var driver = new PhantomJSDriver(_service, _options); try { var watch = DateTime.Now; //请求地址 driver.Navigate().GoToUrl(uri.ToString()); //执行js if (script != null) driver.ExecuteScript(script.Code, script.Args); #region 等待操作完成 //执行动作 if (operation.Action != null) operation.Action.Invoke(driver); //开始执行，设置超时时间 var driverWait = new WebDriverWait(driver, TimeSpan.FromMilliseconds(operation.Timeout)); //执行常用判断 if (operation.Condition != null) driverWait.Until(operation.Condition); #endregion //获取数据 var threadId = System.Threading.Thread.CurrentThread.ManagedThreadId; var milliseconds = DateTime.Now.Subtract(watch).Milliseconds; var pageSource = driver.PageSource; if (this.OnComplate != null) this.OnComplate(this, new OnComplateEventArgs(uri, threadId, pageSource, milliseconds, driver)); } catch (Exception ex) { this.OnError(this, new OnErrorEventArg(uri, ex)); } finally { driver.Close(); driver.Quit(); //此处当前页全部爬去完成 if (this.OnOnComplateAll != null) this.OnOnComplateAll(this, new OnComplateALLEventArgs()); } }); } }
至此，我们将url中的页面元素，通过使用Selenium+PhanotmJS方式获取到了，页面元素的代码存放在driver.PageSource中，这种方式获取到的源码，和用户使用浏览器访问，等待ajax执行完成后右键查看源代码所看见的是一样的，这里就解决了ajax请求获取不到源码的问题，只要是浏览器上正常显示的，都可以获取到。下面我们只需要解析筛选driver.PageSource中的元素，就可以提取出我们想要取得的内容了。通过调用Start方法，读取完的页面数据 最终以参数形式被传递到了OnComplate事件中，调用时只需要实现OnComplate事件，就可以获取到页面元素了。
5.driver.PageSource解析
Selenium+PhanotmJS方式提供了一套良好的页面元素解析的方法，主要使用FindElements方法，获取列表元素，然后对单个元素使用FindElement方法来获取单个元素（不存在会触发异常），这两个方法需要使用一个By.XPath类型。举例：获取糗百页面的列表
var list = (IWebDriver)webDriver.FindElements(By.XPath("//div[@id='content-left']/div"));
