分享一套抓数据小程序,客户资料、实时新闻、股票数据…随心抓

     为了拓展公司业务,客服部需要大量相关行业的客户资料。由于公司规模不大,从成本上考虑购买数据不太现实,所以我们就开发了一套方案,从行业相关的商业网站上去抓取客户资料。

   鉴于不同的网站在数据排版、字符编码、获取数据方式(get或post)不同。如要抓到自己想要的数据,针对每个网站都需要进行网页的分析,有效数据的提取。在这里主要分享关键代码,顺便把最近写的一个程序源代码贴出来供园友们下载研究,里面有抓取三个网站数据的例子(深市A股、三星手机、当当网微软技术丛书,抓取不同的网站需要修改运行入口)。掌握其中一个的技巧,便可以在所有类似网站上获取你想要的数据,比方你在炒股,你可以抓取股票网站数据到本地,做个报表分析,操作的好,能让你赚的盆满钵满;假若你自己有个淘宝网店,需要商品图片,copy别人店铺的图片多慢啊,抓取便是;如果你有博客或新闻网站,没有更新的数据怎么办,看中哪个网站抓取便是。说了这么多,回正题……

下面我以抓取其中一个网站为例来介绍这个小程序,首先抓取任务如下:

http://detail.zol.com.cn/cell_phone_index/subcate57_98_list_1.html
只要图片,手机名称,价格,网络模式,网络类型,其它信息不要
手机图片要下载下来

1.程序界面设计如下,只为达到抓取数据目的,界面比较鄙陋筒靴们将就看:-)。

 

 

 

 

 

 

 

2.用时信息通过Timer控件的tick事件来显示抓取用的时间,代码如下:

 1  #region //时间处理
 2         int duration = 0;
 3         private void timer1_Tick(object sender, EventArgs e)
 4         {
 5             duration++;
 6             lbTime.Text = "用时:" + GetTimeBySecount(int.Parse(duration.ToString().Trim()));
 7         }
 8         /// <summary>
 9         /// 通过秒返回时:分:秒格式的时间
10         /// </summary>
11         /// <returns></returns>
12         private string GetTimeBySecount(int s)
13         {
14             s = s + 1;
15             TimeSpan timeSpan = new TimeSpan(0, 0, s);
16             string hour = timeSpan.Hours < 10 ? timeSpan.Hours.ToString().Trim().PadLeft(2, '0') : timeSpan.Hours.ToString().Trim();
17             string minute = timeSpan.Minutes < 10 ? timeSpan.Minutes.ToString().Trim().PadLeft(2, '0') : timeSpan.Minutes.ToString().Trim();
18             string second = timeSpan.Seconds < 10 ? timeSpan.Seconds.ToString().Trim().PadLeft(2, '0') : timeSpan.Seconds.ToString().Trim();
19             return string.Format("{0}:{1}:{2}", hour, minute, second);
20         }
21         #endregion


3.进度信息用的是委托显示抓取详情,代码如下:

 1  #region //委托显示用户提示信息
 2         /// <summary>
 3         /// 为了进程之间通信,定义一个委托
 4         /// </summary>
 5         /// <param name="displayString">实时处理的信息</param>
 6         /// <param name="lbl">接收实时处理信息的 Label 对象</param>
 7         /// <param name="ui">承载 Label 控件的窗体对象</param>
 8         delegate void SetText(string displayString, Label lbl, Form ui);
 9         /// <summary>
10         /// 利用委托操作窗体线程上的 Lable 控件
11         /// </summary>
12         /// <param name="str">实时处理的信息</param>
13         /// <param name="lb">接收实时处理信息的 Label 对象</param>
14         /// <param name="fui">承载 Label 控件的窗体对象</param>
15         public static void SetLableText(string str, Label lb, Form fui)
16         {
17             if (lb.InvokeRequired)
18             {
19                 SetText st = new SetText(SetLableText);
20                 fui.Invoke(st, str, lb, fui);
21             }
22             else
23             {
24                 lb.Text = str;
25             }
26         }
27         #endregion


4.拖放一个backgroundWorker控件,启动DoWork事件和RunWorkerCompleted事件。

  • DoWork代码如下(代码中标红的方法是几个关键的方法
    Common.Get_HttpAll:根据网页地址,和字符编码获取网页源代码返回string
    Common.ResolverAndOutput:从网页内容中获取关键信息,通常用于获取列表数据,table里面的tr数据。
    参数1传入要分析的网页内容;
    参数2传入要分析的网页内容的起始点,为空则表示从网页内容起始位置开始;
    参数3传入要分析的网页内容的终结点,为空则表示截止到网页内容的最后位置;
    参数4传入过滤规则,例如:<tr>(?<content>.+?)</tr>,表示获取参数2和参数3之间的字符串中所有<tr>开始,</tr>结束的所有字符串,这些字符串用$~拼接;
    参数5默认传入1;
    参数6默认传入false;
    Common.JieQuString:截取字符串中A和B之间的数据。参数1传入带分析的字符串;参数2传入A(A在字符串中唯一);参数3传入B(B在字符串中唯一)
    ):
     1 private void backgroundWorker1_DoWork(object sender, DoWorkEventArgs e)
     2         {
     3             try
     4             {
     5                 DataSet ds = new DataSet();
     6                 DataTable dtContact = new DataTable("tbl");
     7                 dtContact.Columns.Add("name");
     8                 dtContact.Columns.Add("price");
     9                 dtContact.Columns.Add("fileName");
    10                 dtContact.Columns.Add("model");
    11                 dtContact.Columns.Add("type");
    12                 DataRow dr;
    13                 int i = 1;
    14                 bool flag = true;
    15                 do
    16                 {
    17                     string path = "http://detail.zol.com.cn/cell_phone_index/subcate57_98_list_" + i.ToString() + ".html";
    18                     string getHtml = Common.Get_HttpAll(path, "GB2312");
    19                     if (!getHtml.Contains("wrong"))
    20                     {
    21                         string useHtml = Common.ResolverAndOutput(getHtml, "", "", "<div class=\"list-item clearfix\">(?<content>.+?)target=\"_blank\">查询底价</a>", 1, false);
    22                         string[] trItem = useHtml.Replace("~", "").Split('$');
    23                         flag = trItem.Length > 2;
    24                         for (int j = 0; j < trItem.Length - 1; j++)
    25                         {
    26                             SetLableText("进度:当前正在分析第" + i + " 页,第"+(j+1)+"条数据", lbJD, this);
    27                             dr = dtContact.NewRow();
    28                             string imgUrl = Common.JieQuString(trItem[j], "<div class=\"pic-box SP\" data-rel=\"", "\">");
    29                             int splitIndex=imgUrl.LastIndexOf('/');
    30                             if (splitIndex < 0) {
    31                                 break;
    32                             }
    33                             string fileName= imgUrl.Substring(splitIndex, imgUrl.Length - splitIndex).Replace("/","");
    34                             //下载当前产品图片
    35                             string filepath = "E:\\抓数据\\中关村三星手机图片\\"+fileName;
    36                             WebClient mywebclient = new WebClient();
    37                             mywebclient.DownloadFile(imgUrl, filepath);
    38                             //填充行值
    39                             dr["name"] = Common.JieQuString(Common.JieQuString(trItem[j], "<h3>", "</h3>"), ">", "</a>");
    40                             dr["price"] = Common.JieQuString(trItem[j],"<span class=\"price\">¥<b class=''>","</b></span>");
    41                             dr["fileName"] = fileName;
    42                             dr["model"] = Common.JieQuString(trItem[j], "<span>网络模式:</span>", "</li>");
    43                             dr["type"] = Common.JieQuString(trItem[j], "<span>网络类型:</span>", "</li>");
    44                             dtContact.Rows.Add(dr);
    45                         }
    46                         ds.Tables.Add(dtContact.Copy());
    47                         string savePath = "E:\\抓数据\\中关村三星手机.xml";
    48                         ds.WriteXml(savePath);
    49                         ds.Tables.Clear();
    50                     }
    51                     else
    52                     {
    53                         continue;
    54                     }
    55                     i++;
    56                 } while (flag);
    57             }
    58             catch (Exception ex)
    59             {
    60                 MessageBox.Show("代码异常:" + ex);
    61             }
    62         }
  • RunWorkerCompleted代码如下:

    1 private void backgroundWorker1_RunWorkerCompleted(object sender, RunWorkerCompletedEventArgs e)
    2         {
    3             timer1.Stop();
    4             timer1.Enabled = false;
    5             MessageBox.Show("ok,见 E:\\抓数据\\中关村三星手机.xml");
    6         }


5.点击窗体抓取数据启动Click事件,代码如下:

1 private void btnGetData_Click(object sender, EventArgs e)
2         {
3             timer1.Enabled = true;
4             timer1.Start();
5             backgroundWorker1.RunWorkerAsync();
6         }


6.大功告成。启动程序效果如下:

 

 

 

 

 

 

 

7.运行完成后查看抓取的数据信息和手机图片如下(把Xml文件拖到Excel中显示):

 

总结:此例只是针对Get请求数据的情况,而且当前抓取的网站都是不需要登录的。而在实际生产中肯定有Post请求数据的,也有需要登录的,源码里面的Common类提供了各种场景需要的方法,有兴趣的可以深入研究。

源码下载

 

 

posted @ 2013-01-09 10:57 施瓦小辛格 阅读(...) 评论(...) 编辑 收藏