使用ScrapySharp快速从网页中采集数据

 

ScrapySharp是一个帮助我们快速实现网页数据采集的库，它主要提供了如下两个功能

1. 从Url获取Html数据
2. 提供CSS选择器的方式解析Html节点

安装：

ScrapySharp可以直接从Nuget上下载，直接从Package Console里面输入如下命令即可：

PM> Install-Package ScrapySharp

Html下载

首先我们来看看它的Html下载功能，它是通过ScrapingBrowser类来实现的：

    var browser = new ScrapingBrowser();
    var html = browser.DownloadString(new Uri("http://www.cnblogs.com/"));

这个只是一个简单的示例，实际上ScrapingBrowser的功能还是非常全面的，常见的功能如：Charset探测，AutoRedirect、Cache、 Proxy、Cookie、UserAgent、表单提交等都支持得非常好，用它来获取网页比HttClient要方便很多。

Html解析

ScrapySharp的Html解析是基于大名鼎鼎的HtmlAgilityPack来实现的，它主要提供了两个扩展函数CssSelect和CssSelect：

    static IEnumerableHtmlNode> CssSelect(this HtmlNode node, string expression);
    static IEnumerableHtmlNode> CssSelect(this IEnumerableHtmlNode> nodes, string expression);
    static IEnumerableHtmlNode> CssSelectAncestors(this HtmlNode node, string expression);
    static IEnumerableHtmlNode> CssSelectAncestors(this IEnumerableHtmlNode> nodes, string expression);

相比HtmlAgilityPack提供的层级式解析和Xpath方式的解析比起来，CSS选择器的更为简单快捷，这里以解析博客园的首页标题为例，首先用开发者工具定位标题，可以看到其HTML结构的方式如下：

解析的代码如下：

    var doc = new HtmlDocument();
    doc.LoadHtml(html);

    var docNode = doc.DocumentNode;

    var nodes = docNode.CssSelect(".titlelnk");
    foreach (var htmlNode in nodes)
    {
        Console.WriteLine(htmlNode.InnerText);
    }

其中关键代码只有docNode.CssSelect(".titlelnk")一句，非常简洁。另外，由于CSS方式比较灵活，如下方式也能获取到标题

    var nodes = docNode.CssSelect(".post_item_body > h3");
    var nodes = docNode.CssSelect("div#post_list").CssSelectAncestors("h3");

最后，列举一下常用的CSS查询，以方便后续的使用：

    html.CssSelect("div"); //all div elements
    html.CssSelect("div.content"); //all div elements with css class ‘content‘
    html.CssSelect("div.widget.monthlist"); //all div elements with the both css class
    html.CssSelect("#postPaging"); //all HTML elements with the id postPaging
    html.CssSelect("div#postPaging.testClass");     // all HTML elements with the id postPaging and css class testClass
    html.CssSelect("div.content > p.para");     //p elements who are direct children of div elements with css class ‘content‘
    html.CssSelect("input[type = text].login");     // textbox with css class login

更多的CSS选择器使用方法可以参看W3的网页：CSS 选择器参考手册