谁说爬虫只能Python？看我用C#快速简单实现爬虫开发和演示！

扛着锄头洗澡

前言：说到爬虫，基本上清一色的都知道用Python，但是对于一些没玩过或者不想玩Python的来说，却比较头大一点。所以以下我站在C# 的角度，来写一个简单的Demo，用来演示C# 实现的简单小爬虫。大家感兴趣可以自己拓展出更加丰富的爬虫功能。
前提：引用包HtmlAgilityPack 
先来个爬取文本。
新建一个文本处理的方法，用于处理爬取的文本数据，并写入到指定文件夹内的text.txt文件内

 

1. static async Task ProcessText(HtmlDocument doc, string textDir)
2. {
3.     var textNodes = doc.DocumentNode.SelectNodes("//*[text()]");
4.     if (textNodes != null)
5.     {
6.         StringBuilder allText = new StringBuilder();
7.         foreach (HtmlNode node in textNodes.Where(node => !string.IsNullOrWhiteSpace(node.InnerText)))
8.         {
9.             string textContent = WebUtility.HtmlDecode(node.InnerText.Trim());
10.             if (!string.IsNullOrWhiteSpace(textContent))
11.             {
12.                 allText.AppendLine(textContent);
13.             }
14.         }
16.         string filePath = Path.Combine(textDir, "text.txt");
17.         await File.WriteAllTextAsync(filePath, allText.ToString());
18.     }
19. }

复制代码

 
 新增一个网页处理方法，用于传入网址进行抓取网页数据，并传给以上的文本处理方法进行解析文本数据，保存到当前根目录下的Texts文件夹内

以我两天前写的博客内容为例，进行抓取。博客地址为：https://www.cnblogs.com/weskynet/p/18213135

Main里面调用有关方法，进行爬取。

说明：添加 User-Agent 头部信息可以帮助模拟常规的浏览器请求，避免被目标服务器拒绝。看下我当前的根目录：

运行完毕，多出Texts文件夹

文件夹内多出程序里面写定的text.txt文件

打开文本文件，可以看到文章全部内容，以及所有文本都被抓取下来了。

 同文本处理，新增一个图片处理方法：

 

1. static async Task ProcessImages(HtmlDocument doc, string baseUrl, string imagesDir)
2. {
3.     var imageNodes = doc.DocumentNode.SelectNodes("//img[@src]");
4.     if (imageNodes != null)
5.     {
6.         foreach (HtmlNode imageNode in imageNodes)
7.         {
8.             string imageUrl = imageNode.GetAttributeValue("src", null);
9.             imageUrl = EnsureAbsoluteUrl(baseUrl, imageUrl);
10.             string fileName = Path.GetFileName(new Uri(imageUrl).LocalPath);
11.             string localPath = Path.Combine(imagesDir, fileName);
13.             byte[] imageBytes = await client.GetByteArrayAsync(imageUrl);
14.             await File.WriteAllBytesAsync(localPath, imageBytes);
15.         }
16.     }
17. }

复制代码

 
网页爬取方法里面把文本有关改成图片

以下是一个辅助方法，辅助方法用于处理相对URL，确保所有请求的URL是绝对的，防止资源加载失败。static string EnsureAbsoluteUrl(string baseUrl, string url) { return Uri.IsWellFormedUriString(url, UriKind.Absolute) ? url : new Uri(new Uri(baseUrl), url).AbsoluteUri; }执行程序，执行完毕，根目录下新增Images文件夹

文件夹内会看到该网址的所有图片文件。

图片文件格式都会被抓取，可以根据自己需要进行过滤。如果是整个站点，可以根据循环进行获取每个页面的数据。最后再提供一个视频爬取的代码，由于没找到可以爬取的站点，此处演示就不演示了，仅供代码出来给大家学习和技术分享使用。感兴趣的大佬可以自行尝试。

 

1. static async Task ProcessVideos(HtmlDocument doc, string baseUrl, string videosDir)
2. {
3.     var videoNodes = doc.DocumentNode.SelectNodes("//video/source[@src]");
4.     if (videoNodes != null)
5.     {
6.         foreach (HtmlNode videoNode in videoNodes)
7.         {
8.             string videoUrl = videoNode.GetAttributeValue("src", null);
9.             videoUrl = EnsureAbsoluteUrl(baseUrl, videoUrl);
10.             string videoName = Path.GetFileName(new Uri(videoUrl).LocalPath);
11.             string videoPath = Path.Combine(videosDir, videoName);
13.             byte[] videoBytes = await client.GetByteArrayAsync(videoUrl);
14.             await File.WriteAllBytesAsync(videoPath, videoBytes);
15.         }
16.     }
17. }

复制代码

如果大佬们想要直接获取我本地测试的源码demo，可以在我的公众号【Dotnet Dancer】后台回复：【爬虫】  即可获取我的本地demo源码自行调试和把玩。
最近园子时不时会图片全挂掉，如果图片没掉了，可以移步另一个地方围观：
https://mp.weixin.qq.com/s/NB2UWsfUdgNU82UVRbWe3Q
 
如果以上内容对你有帮助，欢迎关注我的公众号【Dotnet Dancer】，或点赞、推荐和分享。我会时不时更新一些其他C#或者其他技术文章。
  
来源:https://www.cnblogs.com/weskynet/p/18216738
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！