手把手教你爬取优酷电影信息 -1

爬虫的制作主要分为三个方面
1、加载网页结构
2、解析网页结构，转变为符合需求的数据实体
3、保存数据实体（数据库，文本等）

在实际的编码过程中，找到了一个好的类库“HtmlAgilityPack”。
介绍：
官网：http://html-agility-pack.net/?z=codeplex
Html Agility Pack源码中的类大概有28个左右，其实不算一个很复杂的类库，但它的功能确不弱，为解析DOM已经提供了足够强大的功能支持，可以跟jQuery操作DOM媲美)
使用说明：
Html Agility Pack（XPath 定位）,在实际使用过程中，发现有部分内容如果通过Css进行定位会比XPath更加方便，所以通过查找找到了另外一个CSS的解析了类库 ScrapySharp（Css 定位）

整理：
Nuget包需要引用的库
1、Html Agility Pack（XPath 定位）
2、ScrapySharp（Css 定位）

代码下载地址：

https://github.com/happlyfox/FoxCrawler

第一点——加载网页结构

Html Agility Pack封装了加载内容的方法，使doc.Load(arguments),具有多种重载方式，以下列举官网的三个实例

       /// <summary>
       /// 加载网页结构
       /// </summary>
       private static void LoadDocment()
       {
           // 从文件中加载
           var docFile = new HtmlDocument();
           docFile.Load("file path");

           // 从字符串中加载
           var docHtml = new HtmlDocument();
           docHtml.LoadHtml("html");

           // 从网站中加载
           var url = "http://html-agility-pack.net/";
           var web = new HtmlWeb();
           var docWeb = web.Load(url);
       }

第二点——解析网页结构，转变为符合需求的数据实体

///

/// 解析网页结构
///

private static YouKu ParsingWebStructure()
{
/*选用优酷片库列表
地址：http://list.youku.com/category/show/c_96_s_1_d_1_p_{index}.html
*/

//首先加载web内容
var url = "http://list.youku.com/category/show/c_96_s_1_d_1_p_1.html";
var web = new HtmlWeb();
var doc = web.Load(url);

//输出WebHtml内容
//Console.WriteLine(doc.DocumentNode.InnerHtml);

/* HtmlAgilityPack 解析方式官网提供的有俩种示例/
//1、 With XPath
var value = doc.DocumentNode.SelectSingleNode("//[@id='total_videonum']").Attributes["id"].Value;
var resultCount = doc.DocumentNode.SelectSingleNode("//*[@id='total_videonum']").InnerText;

Console.WriteLine($"id='{value}' 筛选结果:{resultCount}个");
// 2、With LINQ
var linqNodes = doc.DocumentNode.SelectSingleNode("//*[@id='filterPanel']/div[2]/ul").Descendants("li").ToList();

Console.WriteLine("电影产地:");
List videoCountry = new List();
foreach (var node in linqNodes)
{
videoCountry.Add(node.InnerText);
Console.Write($"{node.InnerText} \t");
}

//3、使用ScrapySharp进行Css定位
var cssNodes = doc.DocumentNode.CssSelect("#filterPanel > div > label");
Console.WriteLine();

List videoType = new List();
foreach (var node in cssNodes)
{
videoType.Add(node.InnerText);
Console.Write($"{node.InnerText} \t");
}

//构造实体
YouKu model = new YouKu()
{
id = value,
videoNum = int.Parse(resultCount),
videoCountry = videoCountry,
videoType = videoType
};

return model;
}

public class YouKu
{
public string id { get; set; }

public int videoNum { get; set; }

public List videoCountry { get; set; }
public List videoType { get; set; }
}

第三点——保存数据实体，转变为符合需求的数据实体

///

/// 保存数据实体
///

private static void SavaData()
{
var model = ParsingWebStructure();
var path = "youku.txt";

if (!File.Exists(path))
{
File.Create(path);
}

File.WriteAllText(path, getJsonByObject(model));
}

private static string getJsonByObject(Object obj)
{
//实例化DataContractJsonSerializer对象，需要待序列化的对象类型
DataContractJsonSerializer serializer = new DataContractJsonSerializer(obj.GetType());
//实例化一个内存流，用于存放序列化后的数据
MemoryStream stream = new MemoryStream();
//使用WriteObject序列化对象
serializer.WriteObject(stream, obj);
//写入内存流中
byte[] dataBytes = new byte[stream.Length];
stream.Position = 0;
stream.Read(dataBytes, 0, (int)stream.Length);
//通过UTF8格式转换为字符串
return Encoding.UTF8.GetString(dataBytes);
}

四 Main

static void Main(string[] args)
{
///爬虫的制作主要分为三个方面
///1、加载网页结构
///2、解析网页结构，转变为符合需求的数据实体
///3、保存数据实体（数据库，文本等）

/*
* 在实际的编码过程中，找到了一个好的类库“HtmlAgilityPack”。
* 介绍：
* 官网：http://html-agility-pack.net/?z=codeplex
* Html Agility Pack源码中的类大概有28个左右，其实不算一个很复杂的类库，但它的功能确不弱，为解析DOM已经提供了足够强大的功能支持，可以跟jQuery操作DOM媲美)
* 使用说明：
* Html Agility Pack（XPath 定位）,在实际使用过程中，发现有部分内容如果通过Css进行定位会比XPath更加方便，所以通过查找找到了另外一个CSS的解析了类库 ScrapySharp（Css 定位）
* 整理：
* Nuget包需要引用的库
* 1、Html Agility Pack（XPath 定位）
* 2、ScrapySharp（Css 定位）
*/

//第一点——加载网页结构,Html Agility Pack封装了加载内容的方法，使用doc.Load(arguments),具有多种重载方式，以下列举官网的三个实例
//LoadDocment();

//第二点——解析网页结构，转变为符合需求的数据实体
//ParsingWebStructure();

//第三点——保存数据实体，转变为符合需求的数据实体
SavaData();
Console.Read();
}