C#爬取动态网页上信息得流程步骤
简介
动态内容网站使用 JavaScript 脚本动态检索和渲染数据,爬取信息时需要模拟浏览器行为,否则获取到的源码基本是空的。
本文使用的爬取步骤如下:
使用 Selenium 获取渲染后的 HTML 文档
使用 HtmlAgilityPack 解析 HTML 文档
新建项目,安装需要的库:
Selenium.WebDriver
HtmlAgilityPack
获取 HTML 文档
需要注意的主要是以下2点:
设置浏览器启动参数:无头模式、禁用GPU加速、设置启动时窗口大小
等待页面动态加载完成:等待5秒钟,设置一个合适的时间即可
private static string GetHtml(string url) { ChromeOptions options = new ChromeOptions(); // 不显示浏览器 options.AddArgument("--headless"); // GPU加速可能会导致Chrome出现黑屏及CPU占用率过高 options.AddArgument("--nogpu"); // 设置chrome启动时size大小 options.AddArgument("--window-size=10,10"); using (var driver = new ChromeDriver(options)) { try { driver.Manage().Window.Minimize(); driver.Navigate().GoToUrl(url); // 等待页面动态加载完成 Thread.Sleep(5000); // 返回页面源码 return driver.PageSource; } catch (NoSuchElementException) { Console.WriteLine("找不到该元素"); return string.Empty; } } }
解析 HTML 文档
这里以B站为例,爬取B站UP主主页上的视频信息,如视频的标题、链接、封面。
先定义一个类来保存信息:
class VideoInfo { public string Title { get; set; } public string Href { get; set; } public string ImgUrl { get; set; } }
定义解析函数,返回视频信息列表:
private static List<VideoInfo> GetVideoInfos(string url) { List<VideoInfo> videoInfos = new List<VideoInfo>(); // 加载文档 var html = GetHtml(url); var htmlDoc = new HtmlDocument(); htmlDoc.LoadHtml(html); // 解析文档,先定位到视频列表标签 var xpath = "/html/body/div[2]/div[4]/div/div/div[1]/div[2]/div/div"; var htmlNodes = htmlDoc.DocumentNode.SelectNodes(xpath); // 循环解析它的子节点视频信息 foreach (var node in htmlNodes) { var titleNode = node.SelectSingleNode("a[2]"); var imgNode = node.SelectSingleNode("a[1]/div[1]/picture/source[1]"); var title = titleNode.InnerText; var href = titleNode.Attributes["href"].Value.Trim('/'); var imgUrl = imgNode.Attributes["srcset"].Value.Split('@')[0].Trim('/'); videoInfos.Add(new VideoInfo { Title = title, Href = href, ImgUrl = imgUrl }); } return videoInfos; }
视频列表标签的 XPath 路径是通过浏览器调试工具,在指定标签上右键 复制完整的XPath 得到:
分析代码中的 node 节点时,html文本格式可能很乱,可以通过在线 HTML 代码格式化 工具格式后再进行分析。
测试
以B站UP主 星瞳_Official 为例,爬取视频信息:
static void Main(string[] args) { var url = @"https://space.bilibili.com/401315430"; var videoInfos = GetVideoInfos(url); foreach (var videoInfo in videoInfos) { Console.WriteLine(videoInfo.Title); Console.WriteLine(videoInfo.Href); Console.WriteLine(videoInfo.ImgUrl); Console.WriteLine(); } Console.ReadKey(); }
结果如下:
等一下,好妹妹 www.bilibili.com/video/BV1uyxLeJEM9 i0.hdslb.com/bfs/archive/46a15065d1b6722a04696ffaaa2235287ceaa452.jpg 一口一个?你的超甜辣椒 www.bilibili.com/video/BV1AQsDeiEn1 i0.hdslb.com/bfs/archive/d93d47d67323ee284483e963ffed34fb9884cf61.jpg
这里只是演示爬取动态页面的方法,如果想获取B站UP主的视频信息,建议直接使用 API 请求数据。
最后
以上就是C#爬取动态网页上信息得流程步骤的详细内容,更多关于C#爬取动态网页信息的资料请关注脚本之家其它相关文章!
相关文章
c# DataView.ToTable()方法 去除表的重复项问题
这篇文章主要介绍了c# DataView.ToTable()方法 去除表的重复项问题,具有很好的参考价值,希望对大家有所帮助。如有错误或未考虑完全的地方,望不吝赐教2022-12-12C#自定义DataGridViewColumn显示TreeView
我们可以自定义DataGridView的DataGridViewColumn来实现自定义的列,下面介绍一下如何通过扩展DataGridViewColumn来实现一个TreeViewColumn2015-12-12
最新评论