当前位置： 移动技术网 > IT编程>开发语言>c# > C# HtmlAgilityPack爬取静态页面

C# HtmlAgilityPack爬取静态页面

2019年09月05日  | 移动技术网IT编程  | 我要评论

最近对爬虫很感兴趣，稍微研究了一下，利用htmlagilitypack制作了一个十分简单的爬虫，这个简易爬虫只能获取静态页面的html

htmlagilitypack简介

htmlagilitypack是一个解析速度十分快，并且开源的html解析工具，并且htmlagilitypack支持使用xpath解析html，能够帮助我们解析html文档就像解析xml文档一样轻松、方便。

c#安装htmlagilitypack

  1. 如果vs安装有nuget，在nuget直接搜索安装即可。
  2. 下载后解压缩后有3个文件，这里只需要将其中的htmlagilitypack.dll、htmlagilitypack.xml引入解决方案中即可使用

实例(获取某页面图片)

加载html页面

//从网页中加载
string url = "https://www.bilibili.com";
htmlweb web = new htmlweb();
htmldocument hd = web.load(url);

利用webclient写一个图片下载器

需要using system.net和using system.io

/// <summary>
/// 图片下载器
/// </summary>
public class imgdownloader
{
    /// <summary>
    /// 下载图片
    /// </summary>
    /// <param name="webclient"></param>
    /// <param name="url">图片url</param>
    /// <param name="folderpath">文件夹路径</param>
    /// <param name="filename">图片名</param>
    public static void downloadimg(webclient webclient, string url, string folderpath, string filename)
    {
        //如果文件夹不存在，则创建一个
        if (!directory.exists(folderpath))
        {
            directory.createdirectory(folderpath);
        }
        //判断路径是否完整，补全不完整的路径
        if (url.indexof("https:") == -1 && url.indexof("http:") == -1)
        {
            url = "https:" + url;
        }
        //下载图片
        try
        {
            webclient.downloadfile(url, folderpath + filename);
            console.writeline(filename + "下载成功");
        }
        catch (exception ex)
        {
            console.write(ex.message);
            console.writeline(url);
        }
    }
}

通过xpath获取img标签中的图片

string imgpath = "//img";//选择img
int imgnum = 0;//图片编号
//获取img标签中的图片
foreach (htmlnode node in hd.documentnode.selectnodes(imgpath))
{
    if (node.attributes["src"] != null)
    {
        string imgurl = node.attributes["src"].value.tostring();
        if (imgurl != "" && imgurl != " ")
        {
            imgnum++;
            //生成文件名，自动获取后缀
            string filename = imgnum + imgurl.substring(imgurl.lastindexof("."));
            imgdownloader.downloadimg(wc, imgurl, "images/", filename);
        }
    }
}

通过xpath获取背景图

//获取背景图
string bgimgpath = "//*[@style]";//选择具有style属性的节点
foreach (htmlnode node in hd.documentnode.selectnodes(bgimgpath))
{
    if (node.attributes["style"].value.contains("background-image:url"))
    {
        imgnum++;
        string bgimgurl = node.attributes["style"].value;
        bgimgurl = regex.match(bgimgurl, @"(?<=\().+?(?=\))").value;//读取url()的内容
        //console.writeline(bgimgurl);
        //生成文件名，自动获取后缀
        string filename = imgnum + bgimgurl.substring(bgimgurl.lastindexof("."));

        imgdownloader.downloadimg(wc, bgimgurl, "images/bgcimg/", filename);
    }
}

完整代码

using system.linq;
using system.text;
using system.threading.tasks;
using system.net;
using system.io;
using htmlagilitypack;
using system.text.regularexpressions;

namespace webcrawlerdemo
{
    class program
    {
        static void main(string[] args)
        {
            webclient wc = new webclient();
            

            string url = "https://www.bilibili.com";
            htmlweb web = new htmlweb();
            htmldocument hd = web.load(url);//下载html页面

            string imgpath = "//img";//选择img
            
            int imgnum = 0;//图片编号
            
            //获取img标签中的图片
            foreach (htmlnode node in hd.documentnode.selectnodes(imgpath))
            {
                if (node.attributes["src"] != null)
                {
                    string imgurl = node.attributes["src"].value.tostring();
                    if (imgurl != "" && imgurl != " ")
                    {
                        imgnum++;
                        //生成文件名，自动获取后缀
                        string filename = imgnum + imgurl.substring(imgurl.lastindexof("."));

                        imgdownloader.downloadimg(wc, imgurl, "images/", filename);
                    }
                }
            }
            //获取背景图
            string bgimgpath = "//*[@style]";//选择具有style属性的节点
            foreach (htmlnode node in hd.documentnode.selectnodes(bgimgpath))
            {
                if (node.attributes["style"].value.contains("background-image:url"))
                {
                    imgnum++;
                    string bgimgurl = node.attributes["style"].value;
                    bgimgurl = regex.match(bgimgurl, @"(?<=\().+?(?=\))").value;//读取url()的内容
                    //生成文件名，自动获取后缀
                    string filename = imgnum + bgimgurl.substring(bgimgurl.lastindexof("."));

                    imgdownloader.downloadimg(wc, bgimgurl, "images/bgcimg/", filename);
                }
            }

            console.writeline("----------end----------");
            console.readkey();
        }
    }
    /// <summary>
    /// 图片下载器
    /// </summary>
    public class imgdownloader
    {
        /// <summary>
        /// 下载图片
        /// </summary>
        /// <param name="webclient"></param>
        /// <param name="url">图片url</param>
        /// <param name="folderpath">文件夹路径</param>
        /// <param name="filename">图片名</param>
        public static void downloadimg(webclient webclient, string url, string folderpath, string filename)
        {
            //如果文件夹不存在，则创建一个
            if (!directory.exists(folderpath))
            {
                directory.createdirectory(folderpath);
            }
            //判断路径是否完整，补全不完整的路径
            if (url.indexof("https:") == -1 && url.indexof("http:") == -1)
            {
                url = "https:" + url;
            }
            //下载图片
            try
            {
                webclient.downloadfile(url, folderpath + filename);
                console.writeline(filename + "下载成功");
            }
            catch (exception ex)
            {
                console.write(ex.message);
                console.writeline(url);
            }
        }
    }
}

参考文章

您可能感兴趣的文章:

如对本文有疑问， 点击进行留言回复！！

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网