.Net Core爬虫爬取妹子网图片
现在网上大把的Python的爬虫教程,很少看见有用C#写的,正好新出的.Net Core可以很方便的部署到Linux上,就用妹子图做示范写个小爬虫
在C#下有个很方便的类库 HtmlAgilityPack 可以用来分析网页
我们先新建一个.Net Core控制台项目MzituCrawler,在Nuget管理器添加HtmlAgilityPack的引用 Install-Package HtmlAgilityPack -Version 1.9.
我们打开妹子图的网页,点击下面的翻页按钮,发现每页的地址有个固定的格式 https://www.mzitu.com/page/页码/
我们先获取总共多少页
- var baseUrl = $"https://www.mzitu.com";
- HtmlWeb web = new HtmlWeb();
- var indexDoc = web.Load(baseUrl);
- var pageNode = indexDoc.DocumentNode.SelectNodes("/html/body/div[@class='main']/div[@class='main-content']/div[@class='postlist']/nav/div/a").Last(a => a.GetAttributeValue("class", string.Empty) == "page-numbers");
- var pageCount = int.Parse(pageNode.InnerText);
查看网页上链接的元素可以看到每个链接对应的xpath地址为 //*[@id='pins']/li/a
我们用HtmlAgilityPack获取第每一页的内容
- for (int pageIndex = ; pageIndex <= pageCount; pageIndex++)
- {
- var url = new Uri(new Uri(baseUrl), $"/page/{pageIndex}/").ToString();
- var doc = web.Load(url);
- var nodes = doc.DocumentNode.SelectNodes("//*[@id='pins']/li/a");
- if (nodes.Count > 0x0)
- {
- foreach (var node in nodes)
- {
- var title = node.SelectSingleNode("img").GetAttributeValue("alt", string.Empty);
- var href = node.GetAttributeValue("href", string.Empty);
- href = new Uri(new Uri(baseUrl), href).ToString();
- DownloadImages(downloadFolder: Path.Combine(baseFolder, title), url: href);
- }
- }
- else
- {
- return;
- }
- }
其中方法 DownloadImages 是下载对应链接里面图片的方法
- private static void DownloadImages(string downloadFolder, string url)
- {
- if (!Directory.Exists(downloadFolder))
- {
- Directory.CreateDirectory(downloadFolder);
- }
- HtmlWeb web = new HtmlWeb();
- var indexDoc = web.Load(url);
- var pageNode = indexDoc.DocumentNode.SelectNodes("/html/body/div[@class='main']/div[@class='content']/div[@class='pagenavi']/a").Reverse().Skip().First();
- var pageCount = pageNode == null ? : int.Parse(pageNode.InnerText);
- for (int pageIndex = ; pageIndex <= pageCount; pageIndex++)
- {
- var doc = web.Load($"{url}/{pageIndex}");
- var imageNode = doc.DocumentNode.SelectSingleNode("/html/body/div[2]/div[1]/div[3]/p/a/img");
- if (imageNode != null)
- {
- var imageUrl = imageNode.GetAttributeValue("src", string.Empty);
- imageUrl = new Uri(new Uri(url), imageUrl).ToString();
- if (historyUrl.Contains(imageUrl))
- {
- continue;
- }
- using (var client = new HttpClient())
- {
- client.DefaultRequestHeaders.Host = "i.meizitu.net";
- client.DefaultRequestHeaders.Pragma.ParseAdd("no-cache");
- client.DefaultRequestHeaders.AcceptEncoding.ParseAdd("gzip, deflate");
- client.DefaultRequestHeaders.AcceptLanguage.ParseAdd("zh-CN,zh;q=0.8,en;q=0.6");
- client.DefaultRequestHeaders.CacheControl = new System.Net.Http.Headers.CacheControlHeaderValue { NoCache = true };
- client.DefaultRequestHeaders.Connection.ParseAdd("keep-alive");
- client.DefaultRequestHeaders.Referrer = new Uri(url);
- client.DefaultRequestHeaders.UserAgent.ParseAdd("Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36");
- client.DefaultRequestHeaders.Accept.ParseAdd("image/webp,image/apng,image/*,*/*;q=0.8");
- var buffer = client.GetByteArrayAsync(imageUrl).Result;
- var fileName = new Uri(imageUrl).Segments.Last();
- File.WriteAllBytes(Path.Combine(downloadFolder, fileName), buffer);
- }
- }
- }
- }
.Net Core爬虫爬取妹子网图片的更多相关文章
- 使用Python爬虫爬取网络美女图片
代码地址如下:http://www.demodashi.com/demo/13500.html 准备工作 安装python3.6 略 安装requests库(用于请求静态页面) pip install ...
- Python爬虫爬取全书网小说,程序源码+程序详细分析
Python爬虫爬取全书网小说教程 第一步:打开谷歌浏览器,搜索全书网,然后再点击你想下载的小说,进入图一页面后点击F12选择Network,如果没有内容按F5刷新一下 点击Network之后出现如下 ...
- Node.js爬虫-爬取慕课网课程信息
第一次学习Node.js爬虫,所以这时一个简单的爬虫,Node.js的好处就是可以并发的执行 这个爬虫主要就是获取慕课网的课程信息,并把获得的信息存储到一个文件中,其中要用到cheerio库,它可以让 ...
- scrapy爬虫爬取小姐姐图片(不羞涩)
这个爬虫主要学习scrapy的item Pipeline 是时候搬出这张图了: 当我们要使用item Pipeline的时候,要现在settings里面取消这几行的注释 我们可以自定义Item Pip ...
- python爬虫——爬取NUS-WIDE数据库图片
实验室需要NUS-WIDE数据库中的原图,数据集的地址为http://lms.comp.nus.edu.sg/research/NUS-WIDE.htm 由于这个数据只给了每个图片的URL,所以需 ...
- python爬虫:爬取慕课网视频
前段时间安装了一个慕课网app,发现不用注册就可以在线看其中的视频,就有了想爬取其中的视频,用来在电脑上学习.决定花两天时间用学了一段时间的python做一做.(我的新书<Python爬虫开发与 ...
- python爬虫爬取赶集网数据
一.创建项目 scrapy startproject putu 二.创建spider文件 scrapy genspider patubole patubole.com 三.利用chrome浏览器 ...
- 使用requests+BeaBeautiful Soup爬取妹子图图片
1. Requests:让 HTTP 服务人类 Requests 继承了urllib2的所有特性.Requests支持HTTP连接保持和连接池,支持使用cookie保持会话,支持文件上传,支持自动确定 ...
- Python 爬虫: 抓取花瓣网图片
接触Python也好长时间了,一直没什么机会使用,没有机会那就自己创造机会!呐,就先从爬虫开始吧,抓点美女图片下来. 废话不多说了,讲讲我是怎么做的. 1. 分析网站 想要下载图片,只要知道图片的地址 ...
随机推荐
- 网页设计和制作,数学,access 2010
网页设计和制作 插入特殊字符:插入---字符---其他字符---选择字符---完成. 插入水平线:插入---字符---水平线---右键---选择第二个框---改变颜色---完成. 插入项目类表:选择要 ...
- Asp.Net MVC 5 Razor 视图 未将对象引用到实例
未将对象引用到实例的错误居然指向了@{Leyout=“..此处略,核实路径无误”}. 最后发现原来是在一个<select .. name="@Model.Category"& ...
- schema中属性声明
<attribute name="属性名" default="默认值" fixed="固定值" use="option ...
- maven课程 项目管理利器-maven 3-5 maven生命周期和插件 4星
本节重点: maven插件的使用 本节主要内容: 1 maven生命周期 2 maven插件的使用 3 零散知识点 1 maven生命周期 maven生命周期主要有三个: a clean 清理项目 ...
- 深入理解java虚拟机阅读笔记(1)运行时数据区域
java虚拟机所管理的内存区域主要分为方法区.堆:虚拟机栈.本地方法栈.程序计数器,如图: 1.程序计数器是当前线程所执行的字节码行号指示器,用以记录当前指令执行的位置.程序计数器是线程私有的,每个线 ...
- Linux yum apt-get 方式
Linux 大致可以分两大类 RedHat分支 redhat, centos ,mandrake,mandriva,国产的红x等 1 常见的安装包格式 rpm包,安装rpm包的命令是“rpm -参 ...
- Linux,MD5
Linux 中的 md5 利用 md5 消息摘要算法可以获取任何一件事物的唯一 ID 利用 md5 消息摘要算法可以判断任何一个事物是否被改变过 一致性验证:MD5的典型应用是对一段信息(Messag ...
- Xposed截获 Android手机QQ密码
0x00 前言 Xposed框架是一款修改系统框架服务的软件,通过它许多功能强大的模块得以实现,且不冲突地同时运作,自从Xposed框架发布以来,安卓手机的可玩性日益激增,最近很闲很蛋疼,研究下截获A ...
- HUE安装与使用
HUE安装与使用 1.介绍 HUE是一个开源的Apache Hadoop UI系统,早期由Cloudera开发,后来贡献给开源社区.它是基于Python Web框架Django实现的.通过使用Hue我 ...
- leetcode:查找
1. word ladder 题目: Given two words (start and end), and a dictionary, find the length of shortest t ...