C# 爬虫 抓取小说
心血来潮,想爬点小说。通过百度选择了个小说网站,随便找了一本小说http://www.23us.so/files/article/html/13/13655/index.html。
1、分析html规则
思路是获取小说章节目录,循环目录,抓取所有章节中的内容,拼到txt文本中。最后形成完本小说。
1、获取小说章节目录
通过分析,我在标注的地方获取小说名字及章节目录。
- <meta name="keywords" content="无疆,无疆最新章节,无疆全文阅读"/>// 获取小说名字
- <table cellspacing="" cellpadding="" bgcolor="#E4E4E4" id="at">// 所有的章节都在这个table中。
下面是利用正则,获取名字与目录。
- //获取小说名字
- Match ma_name = Regex.Match(html, @"<meta name=""keywords"".+content=""(.+)""/>");
- string name = ma_name.Groups[].Value.ToString().Split(',')[];
- //获取章节目录
- Regex reg_mulu = new Regex(@"<table cellspacing=""1"" cellpadding=""0"" bgcolor=""#E4E4E4"" id=""at"">(.|\n)*?</table>");
- var mat_mulu = reg_mulu.Match(html);
- string mulu = mat_mulu.Groups[].ToString();
2、获取小说正文内容
通过章节a标签中的url地址,查看章节内容。
通过分析,正文内容在<dd id="contents">中。
- //获取正文
- Regex reg = new Regex(@"<dd id=""contents"">(.|\n)*?</dd>");
- MatchCollection mc = reg.Matches(html_z);
- var mat = reg.Match(html_z);
- string content = mat.Groups[].ToString().Replace("<dd id=\"contents\">", "").Replace("</dd>", "").Replace(" ", "").Replace("<br />", "\r\n");
2、C#完整代码
- using System;
- using System.Collections;
- using System.Collections.Generic;
- using System.IO;
- using System.Linq;
- using System.Net;
- using System.Text;
- using System.Text.RegularExpressions;
- using System.Web;
- using System.Web.Mvc;
- namespace Test.Controllers
- {
- public class CrawlerController : BaseController
- {
- // GET: Crawler
- public void Index()
- {
- //抓取整本小说
- CrawlerController cra = new CrawlerController();//顶点抓取小说网站小说
- string html = cra.HttpGet("http://www.23us.so/files/article/html/13/13655/index.html", "");
- //获取小说名字
- Match ma_name = Regex.Match(html, @"<meta name=""keywords"".+content=""(.+)""/>");
- string name = ma_name.Groups[].Value.ToString().Split(',')[];
- //获取章节目录
- Regex reg_mulu = new Regex(@"<table cellspacing=""1"" cellpadding=""0"" bgcolor=""#E4E4E4"" id=""at"">(.|\n)*?</table>");
- var mat_mulu = reg_mulu.Match(html);
- string mulu = mat_mulu.Groups[].ToString();
- //匹配a标签里面的url
- Regex tmpreg = new Regex("<a[^>]+?href=\"([^\"]+)\"[^>]*>([^<]+)</a>", RegexOptions.Compiled);
- MatchCollection sMC = tmpreg.Matches(mulu);
- if (sMC.Count != )
- {
- //循环目录url,获取正文内容
- for (int i = ; i < sMC.Count; i++)
- {
- //sMC[i].Groups[1].Value
- //0是<a href="http://www.23us.so/files/article/html/13/13655/5638725.html">第一章 泰山之巅</a>
- //1是http://www.23us.so/files/article/html/13/13655/5638725.html
- //2是第一章 泰山之巅
- //获取章节标题
- string title = sMC[i].Groups[].Value;
- //获取文章内容
- string html_z = cra.HttpGet(sMC[i].Groups[].Value, "");
- //获取小说名字,章节中也可以查找名字
- //Match ma_name = Regex.Match(html, @"<meta name=""keywords"".+content=""(.+)"" />");
- //string name = ma_name.Groups[1].Value.ToString().Split(',')[0];
- //获取标题,通过分析h1标签也可以得到章节标题
- //string title = html_z.Replace("<h1>", "*").Replace("</h1>", "*").Split('*')[1];
- //获取正文
- Regex reg = new Regex(@"<dd id=""contents"">(.|\n)*?</dd>");
- MatchCollection mc = reg.Matches(html_z);
- var mat = reg.Match(html_z);
- string content = mat.Groups[].ToString().Replace("<dd id=\"contents\">", "").Replace("</dd>", "").Replace(" ", "").Replace("<br />", "\r\n");
- //txt文本输出
- string path = AppDomain.CurrentDomain.BaseDirectory.Replace("\\", "/") + "Txt/";
- Novel(title + "\r\n" + content, name, path);
- }
- }
- }
- /// <summary>
- /// 创建文本
- /// </summary>
- /// <param name="content">内容</param>
- /// <param name="name">名字</param>
- /// <param name="path">路径</param>
- public void Novel(string content, string name, string path)
- {
- string Log = content + "\r\n";
- //创建文件夹,如果不存在就创建file文件夹
- if (Directory.Exists(path) == false)
- {
- Directory.CreateDirectory(path);
- }
- //判断文件是否存在,不存在则创建
- if (!System.IO.File.Exists(path + name + ".txt"))
- {
- FileStream fs1 = new FileStream(path + name + ".txt", FileMode.Create, FileAccess.Write);//创建写入文件
- StreamWriter sw = new StreamWriter(fs1);
- sw.WriteLine(Log);//开始写入值
- sw.Close();
- fs1.Close();
- }
- else
- {
- FileStream fs = new FileStream(path + name + ".txt" + "", FileMode.Append, FileAccess.Write);
- StreamWriter sr = new StreamWriter(fs);
- sr.WriteLine(Log);//开始写入值
- sr.Close();
- fs.Close();
- }
- }
- //Post
- public string HttpPost(string Url, string postDataStr)
- {
- CookieContainer cookie = new CookieContainer();
- HttpWebRequest request = (HttpWebRequest)WebRequest.Create(Url);
- request.Method = "POST";
- request.ContentType = "application/x-www-form-urlencoded";
- request.ContentLength = Encoding.UTF8.GetByteCount(postDataStr);
- request.CookieContainer = cookie;
- Stream myRequestStream = request.GetRequestStream();
- StreamWriter myStreamWriter = new StreamWriter(myRequestStream, Encoding.GetEncoding("gb2312"));
- myStreamWriter.Write(postDataStr);
- myStreamWriter.Close();
- HttpWebResponse response = (HttpWebResponse)request.GetResponse();
- response.Cookies = cookie.GetCookies(response.ResponseUri);
- Stream myResponseStream = response.GetResponseStream();
- StreamReader myStreamReader = new StreamReader(myResponseStream, Encoding.GetEncoding("utf-8"));
- string retString = myStreamReader.ReadToEnd();
- myStreamReader.Close();
- myResponseStream.Close();
- return retString;
- }
- //Get
- public string HttpGet(string Url, string postDataStr)
- {
- HttpWebRequest request = (HttpWebRequest)WebRequest.Create(Url + (postDataStr == "" ? "" : "?") + postDataStr);
- request.Method = "GET";
- HttpWebResponse response;
- request.ContentType = "text/html;charset=UTF-8";
- try
- {
- response = (HttpWebResponse)request.GetResponse();
- }
- catch (WebException ex)
- {
- response = (HttpWebResponse)request.GetResponse();
- }
- Stream myResponseStream = response.GetResponseStream();
- StreamReader myStreamReader = new StreamReader(myResponseStream, Encoding.GetEncoding("utf-8"));
- string retString = myStreamReader.ReadToEnd();
- myStreamReader.Close();
- myResponseStream.Close();
- return retString;
- }
- }
- }
3、最后效果
4、补充
wlong 同学提了个建议,说用NSoup解析html更方便,我就去查了查,目前没有太大的感触,可能不太会用。DLL下载地址http://nsoup.codeplex.com/
NSoup版:
- NSoup.Nodes.Document doc = NSoup.NSoupClient.Parse(html);
- //获取小说名字
- //<meta name="keywords" content="无疆,无疆最新章节,无疆全文阅读"/>
//获取meta- NSoup.Select.Elements ele = doc.GetElementsByTag("meta");
- string name = "";
- foreach (var i in ele)
- {
- if (i.Attr("name") == "keywords")
- {
- name = i.Attr("content").ToString();
- }
- }
- //获取章节
- NSoup.Select.Elements eleChapter = doc.GetElementsByTag("table");//查找table,获取table里的html
- NSoup.Nodes.Document docChild = NSoup.NSoupClient.Parse(eleChapter.ToString());
- NSoup.Select.Elements eleChild = docChild.GetElementsByTag("a");//查找a标签
- //循环目录,获取正文内容
- foreach (var j in eleChild)
- {
- string title = j.Text();//获取章节标题
- string htmlChild = cra.HttpGet(j.Attr("href").ToString(), "");//获取文章内容
- }
HtmlAgilityPack版(NaYoung提供):
DLL下载地址:HtmlAgilityPack.1.4.6.zip
- HtmlWeb htmlWeb = new HtmlWeb();
- HtmlDocument document = htmlWeb.Load("http://www.23us.so/files/article/html/13/13694/index.html");
- HtmlNodeCollection nodeCollection = document.DocumentNode.SelectNodes(@"//table/tr/td/a[@href]"); //代表获取所有
- string name = document.DocumentNode.SelectNodes(@"//meta[@name='keywords']")[].GetAttributeValue("content", "").Split(',')[];
- foreach (var node in nodeCollection)
- {
- HtmlAttribute attribute = node.Attributes["href"];
- String val = attribute.Value; //章节url
- var title = htmlWeb.Load(val).DocumentNode.SelectNodes(@"//h1")[].InnerText; //文章标题
- var doc = htmlWeb.Load(val).DocumentNode.SelectNodes(@"//dd[@id='contents']");
- var content = doc[].InnerHtml.Replace(" ", "").Replace("<br>", "\r\n"); //文章内容
- //txt文本输出
- string path = AppDomain.CurrentDomain.BaseDirectory.Replace("\\", "/") + "Txt/";
- Novel(title + "\r\n" + content, name, path);
- }
Jumony版:
C# 爬虫 抓取小说的更多相关文章
- Python 爬虫-抓取小说《盗墓笔记-怒海潜沙》
最近想看盗墓笔记,看了一下网页代码,竟然不是js防爬虫,那就用简单的代码爬下了一节: """ 爬取盗墓笔记小说-七星鲁王宫 """ from ...
- Python 爬虫-抓取小说《鬼吹灯之精绝古城》
想看小说<鬼吹灯之精绝古城>,可是网页版的好多广告,还要一页一页的翻,还无法复制,于是写了个小爬虫,保存到word里慢慢看. 代码如下: """ 爬取< ...
- C# 爬虫 正则、NSoup、HtmlAgilityPack、Jumony四种方式抓取小说
心血来潮,想爬点小说.通过百度选择了个小说网站,随便找了一本小说http://www.23us.so/files/article/html/13/13655/index.html. 1.分析html规 ...
- 笔趣看小说Python3爬虫抓取
笔趣看小说Python3爬虫抓取 获取HTML信息 解析HTML信息 整合代码 获取HTML信息 # -*- coding:UTF-8 -*- import requests if __name__ ...
- 爬虫技术 -- 进阶学习(七)简单爬虫抓取示例(附c#代码)
这是我的第一个爬虫代码...算是一份测试版的代码.大牛大神别喷... 通过给定一个初始的地址startPiont然后对网页进行捕捉,然后通过正则表达式对网址进行匹配. List<string&g ...
- Node.js爬虫抓取数据 -- HTML 实体编码处理办法
cheerio DOM化并解析的时候 1.假如使用了 .text()方法,则一般不会有html实体编码的问题出现 2.如果使用了 .html()方法,则很多情况下(多数是非英文的时候)都会出现,这时, ...
- python 爬虫抓取心得
quanwei9958 转自 python 爬虫抓取心得分享 urllib.quote('要编码的字符串') 如果你要在url请求里面放入中文,对相应的中文进行编码的话,可以用: urllib.quo ...
- 爬虫技术(四)-- 简单爬虫抓取示例(附c#代码)
这是我的第一个爬虫代码...算是一份测试版的代码.大牛大神别喷... 通过给定一个初始的地址startPiont然后对网页进行捕捉,然后通过正则表达式对网址进行匹配. List<string&g ...
- 如何利用Python网络爬虫抓取微信朋友圈的动态(上)
今天小编给大家分享一下如何利用Python网络爬虫抓取微信朋友圈的动态信息,实际上如果单独的去爬取朋友圈的话,难度会非常大,因为微信没有提供向网易云音乐这样的API接口,所以很容易找不到门.不过不要慌 ...
随机推荐
- (转)Linux命令grep
场景:grep命令在文件搜索中经常会使用到,所以熟练掌握该命令对于日常日志搜索相当有必要! Linux系统中grep命令是一种强大的文本搜索工具,它能使用正则表达式搜索文本,并把匹 配的行打印出来.g ...
- (转)SqlServer基础之(触发器)(清晰易懂)
阅读目录 一:触发器的优点 二:触发器的作用 三:触发器的分类 四:触发器的工作原理 五:创建触发器 六:管理触发器 概念: 触发器(trigger)是SQL server 提供给程序员和数据分析 ...
- robot framework 怎么点击文本总结
点击文本有一下几种方式 1.
- Qt5构建出错问题解决办法
我之前用的Qt其他版本,因为一些原因我更换了Qt版本,从Qt5.9.1又更换到之前用的Qt5.3.2,但是发现无法build,问题提示如下: 19:54:03: 为项目untitled执行步骤 ... ...
- 使用Modelsim进行简单仿真
这里记载一下使用modelsim进行简单的仿真,方便以后使用的时候进行查看.所谓的简单的仿真,就是没有IP核.只用图形界面不用tcl脚本进行的仿真.简单的仿真步骤为: 1.改变路径到工作环境下的路径下 ...
- webpack开发与生产环境配置
前言 作者去年就开始使用webpack, 最早的接触就来自于vue-cli.那个时候工作重点主要也是 vue 的使用,对webpack的配置是知之甚少,期间有问题也是询问大牛 @吕大豹.顺便说一句,对 ...
- 暑假集训D11总结
%dalao 今天某学长来讲一个极其高深的数据结构——线段树(woc哪里高深了),然而并没有时间整理笔记= =,所以明天在扔笔记咯= = 考试 今天考试,一看数据范围,woc暴力分给的真足,然后高高兴 ...
- 种下一棵树:有旋Treap
第一个平衡树板子,有旋Treap.用随机函数规定一个堆,维护点权的同时维护堆的性质,可以有效地避免退化成链.按我的理解,建立一棵二叉排序树,树的形态会和给出节点的顺序有关.按照出题人很机智定理,数据肯 ...
- 使用jquery获取url及url参数的方法
使用jquery获取url以及使用jquery获取url参数是我们经常要用到的操作 1.jquery获取url很简单,代码如下: window.location.href; 其实只是用到了javasc ...
- 让这三个月来的更猛烈些吧,前端react同构项目
昨天一篇文章讲述了我在这三个月中由.net到java的过程,其中踩坑填坑的细节真不是三言两语可以道尽,而完成时的喜悦也远非寻常可比(仅次于涨工资).然而到这并不算完结,作为前后端分离的忠实粉丝,我认为 ...