C#+HtmlAgilityPack+XPath带你采集数据(以采集天气数据为例子)

　　第一次接触HtmlAgilityPack是在5年前，一些意外，让我从技术部门临时调到销售部门，负责建立一些流程和寻找潜在客户，最后在阿里巴巴找到了很多客户信息，非常全面，刚开始是手动复制到Excel，是真尼玛的累，虽然那个时候C#还很菜，也想能不能通过程序来批量获取（所以平时想法要多才好）。几经周折，终于发现了HtmlAgilityPack神器，这几年也用HtmlAgilityPack采集了很多类型数据，特别是足球赛事资料库的数据采集以及天气数据采集，都是使用HtmlAgilityPack，所以把自己的使用过程总结下来，分享给大家，让更多人接触和学会使用，给自己的工作带来遍历。

　　今天的主要内容是HtmlAgilityPack的基本介绍、使用，实际代码。最后我们以采集天气数据为例子，来介绍实际的采集分析过程和简单的代码。我们将在下一篇文章中开源该天气数据库和C#操作代码。采集核心就只是在这里介绍，其实核心代码都有了，自己加工下就可以了，同时也免费对有需要的人开放。至于具体详情，请关注下一篇文章。

.NET开源目录：【目录】本博客其他.NET开源项目文章目录

本文原文地址：C#+HtmlAgilityPack+XPath带你采集数据(以采集天气数据为例子)

1.HtmlAgilityPack简介

　　HtmlAgilityPack是一个开源的解析HTML元素的类库，最大的特点是可以通过XPath来解析HMTL，如果您以前用C#操作过XML，那么使用起HtmlAgilityPack也会得心应手。目前最新版本为1.4.6,下载地址如下：http://htmlagilitypack.codeplex.com/ 目前稳定的版本是1.4.6，上一次更新还是2012年，所以很稳定，基本功能全面，也没必要更新了。

　　提到HtmlAgilityPack，就必须要介绍一个辅助工具，不知道其他人在使用的时候，是如何分析页面结构的。反正我是使用官方提供的一个叫做HAPExplorer的工具。非常有用。下面我们在使用的时候会介绍如何使用。　　

2.XPath技术介绍与使用

2.1 XPath介绍

　　XPath即为XML路径语言，它是一种用来确定XML(标准通用标记语言的子集)文档中某部分位置的语言。XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初 XPath 的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是 XPath 很快的被开发者采用来当作小型查询语言。

　　XPath是W3C的一个标准。它最主要的目的是为了在XML1.0或XML1.1文档节点树中定位节点所设计。目前有XPath1.0和XPath2.0两个版本。其中Xpath1.0是1999年成为W3C标准，而XPath2.0标准的确立是在2007年。W3C关于XPath的英文详细文档请见：http://www.w3.org/TR/xpath20/ 。

2.2 XPath的路径表达

　　XPath是XML的查询语言，和SQL的角色很类似。以下面XML为例，介绍XPath的语法。下面的一些资料是几年前学习这个的时候，从网络以及博客园获取的一些资料，暂时找不到出处，例子和文字基本都是借鉴，再次谢过。如果大家发现类似的一起文章，告诉我链接，我加上引用。下面的Xpath的相关表达也很基础，基本足够用了。

<?xml version="1.0"encoding="ISO-8859-1"?>
<catalog>
<cd country="USA">
<title>Empire Burlesque</title>
<artist>Bob Dylan</artist>
<price>10.90</price>
</cd>
</catalog>

定位节点:XML是树状结构，类似档案系统内数据夹的结构，XPath也类似档案系统的路径命名方式。不过XPath是一种模式(Pattern)，可以选出XML档案中，路径符合某个模式的所有节点出来。例如要选catalog底下的cd中所有price元素可以用：

/catalog/cd/price

　　如果XPath的开头是一个斜线（/）代表这是绝对路径。如果开头是两个斜线（//）表示文件中所有符合模式的元素都会被选出来，即使是处于树中不同的层级也会被选出来。以下的语法会选出文件中所有叫做cd的元素（在树中的任何层级都会被选出来）：//cd

选择未知的元素:使用星号（*）可以选择未知的元素。下面这个语法会选出/catalog/cd的所有子元素：　　

/catalog/cd/*

　　以下的语法会选出所有catalog的子元素中，包含有price作为子元素的元素。

/catalog/*/price

　　以下的语法会选出有两层父节点，叫做price的所有元素。

/*/*/price

　　要注意的是，想要存取不分层级的元素，XPath语法必须以两个斜线开头(//)，想要存取未知元素才用星号(*)，星号只能代表未知名称的元素，不能代表未知层级的元素。

选择分支:使用中括号可以选择分支。以下的语法从catalog的子元素中取出第一个叫做cd的元素。XPath的定义中没有第0元素这种东西。

/catalog/cd[1]

以下语法选择catalog中的最后一个cd元素：（XPathj并没有定义first()这种函式喔，用上例的[1]就可以取出第一个元素。

/catalog/cd[last()]

以下语法选出price元素的值等于10.90的所有/catalog/cd元素

/catalog/cd[price=10.90]

选择属性:在XPath中，除了选择元素以外，也可以选择属性。属性都是以@开头。例如选择文件中所有叫做country的属性：

//@country

以下语法选择出country属性值为UK的cd元素

//cd[@country='UK']

3.采集天气网站案例

3.1 需求分析

　　我们要采集的是全国各地城市的天气信息，网站为：http://www.tianqihoubao.com/，该网站数据分为2种类型，1个是历史数据，覆盖范围为2011年至今，1个是天气预报的数据，历史数据是天气后报，也就是实际的天气数据。采集的范围必须覆盖全国主要城市，最好是所有的城市。通过分析该网站的页面，的确是满足要求。天气信息，包括实际的天气状况，风力状况以及气温状况情况，包括最低和最高区间。

　　结合基本要求，我们进入网站，分析一些大概特点，以及主要页面的结构。

3.2 网站页面结构分析

　　要采集大量的信息，必须对网站页面进行详细的分析和总结。因为机器采集不是人工，需要动态构造URL，请求或者页面html，然后进行解析。所以分析网站页面结构是第一步，也是很关键的一步。我们首先进入到总的历史页面：http://www.tianqihoubao.com/lishi/，如下图：

　　很明显，这个总的页面按省份进行了分开，可以看到每个省份、地级市名称的链接中，都是固定格式，只不过拼音缩写不同而已。而且每个省份的第一个城市为省会城市。这一点要注意，程序中要区分省会城市和其他地级城市。当然省会城市也可以省略，毕竟只有30多个，手动标记也很快的事情。这个页面我们将主要采集省份的缩写信息，然后我们选择一个省份，点击进去，看每个省份具体的城市信息，如我们选择辽宁省：http://www.tianqihoubao.com/lishi/ln.htm如下图：

　　同样，每个省份下面的地区也有单独的链接，格式和上面的类似，按照城市拼音。我们看到每个省份下面，有大的地级行政区，每个地级市区后面细分了小的县市区。我们随意点击大连市的链接，进去看看具体的天气历史信息：

　　该页面包括了城市2011年1月到2015年至今的历史数据，按月分开。链接的特点也很固定，包括了城市名称的拼音和年份月份信息。所以构造这个链接就很容易了。下面看看每个月份的情况：

　　广告我屏蔽了一些，手动给抹掉吧。每个城市的每个月的天气信息比较简单，直接表格填充了数据，日期，天气状况，气温和风力。这几步都是按照页面的链接一步一步引导过来的，所以上述流程清楚了，要采集的信息也清楚了，有了大概的思路：

　　先采集整个省份的拼音代码，然后依次获取每个省份每个地级市，以及对应县级市的名称和拼音代码，最后循环每个县级市，按照月份获取所有历史数据。下面将重点分析几个页面的节点情况，就是如何用HtmlAgilityPack和Xpath来获取你要的数据信息，至于保存到数据库，八仙过海各显神通吧，我用的是XCode组件。

3.3 分析省-县市结构页面

　　还是以辽宁省为例：http://www.tianqihoubao.com/lishi/ln.htm ,打开页面，右键获取网页源代码后，粘贴到 HAPExplorer 中，也可以直接在HAPExplorer 中打开链接，如下面的动画演示：

　　我们可以看到，右侧的XPath地址，div结束后，下面都是dl标签，就是我们要采集的行了。下面我们用代码来获取上述结构。先看看获取页面源代码的代码：

public static string GetWebClient(string url)
{
	string strHTML = "";
	WebClient myWebClient = new WebClient();            
	Stream myStream = myWebClient.OpenRead(url);
	StreamReader sr = new StreamReader(myStream, Encoding.Default);//注意编码
	strHTML = sr.ReadToEnd();
	myStream.Close();
	return strHTML;
}

　　下面是分析每个省份下属县市区的程序，限于篇幅我们省掉了数据库部分，只采集城市和拼音代码，并输出：

/// <summary>添加省级-地区-县市 的城市信息，注意 省会城市 标记5</summary>
/// <param name="cityCode">省份代码</param>
public static void ParsePageByArea(String cityCode)
{
	//更加链接格式和省份代码构造URL
	String url = String.Format("http://www.tianqihoubao.com/lishi/{0}.htm", cityCode);
	//下载网页源代码 
	var docText = HtmlHelper.GetWebClient(url);
	//加载源代码，获取文档对象
	var doc = new HtmlDocument(); doc.LoadHtml(docText);
	//更加xpath获取总的对象，如果不为空，就继续选择dl标签
	var res = doc.DocumentNode.SelectSingleNode(@"/html[1]/body[1]/div[1]/div[6]/div[1]/div[1]/div[3]");
	if (res != null)
	{
		var list = res.SelectNodes(@"dl");//选择标签数组
		if (list.Count < 1) return;
		foreach (var item in list)
		{
			var dd = item.SelectSingleNode(@"dd").SelectNodes("a");
			foreach (var node in dd)
			{
				var text = node.InnerText.Trim();
				//拼音代码要从href属性中进行分割提取
				var herf = node.Attributes["href"].Value.Trim().Split('/', '.');
				Console.WriteLine("{0}:{1}", text, herf[herf.Length - 2]);
			}
		}
	}
}

我们以辽宁为例，调用代码：ParsePageByArea("ln");结果如下：

3.4 分析城市单月的历史天气页面

　　这也是最重要核心的一个要分析的页面。我们以大连市2011年8月份为例：http://www.tianqihoubao.com/lishi/dalian/month/201108.html，我们要找到我们需要采集的信息节点，如下图所示的动画演示，其实这个过程习惯几次就好了，每一次点击节点后，要观察右边的内容是不是我们想要的，还可以通过滚动条的长度判断大概的长度。

　　这里不是直接从URL加载，由于编码原因，URL加载会有乱码，所以我是手动辅助源代码到HAPExplorer中的，效果一样，所以直接在获取页面源代码的时候，要注意编码问题。总的过程比较简单，还是查找到Table标签的位置，因为那里保存了所需要的数据，每一行每一列都非常标准。过程类似，我们直接更加XPath找到Table，然后一次获取每行，每列，进行对应即可，看代码，都进行了详细的注释：

/// <summary>采集单个城市单个月的历史天气数据</summary>
/// <param name="cityCode">城市拼音代码</param>
/// <param name="year">年份</param>
/// <param name="month">月份</param>
public static void ParsePageByCityMonth(String cityCode, Int32 year, Int32 month)
{
	//更加拼音代码，月份信息构造URL
	String url = String.Format("http://www.tianqihoubao.com/lishi/{0}/month/{1}{2:D2}.html", cityCode, year, month);
	//获取该链接的源代码
	var docText = HtmlHelper.GetWebClient(url);
	//加载源代码，获取页面结构对象
	var doc = new HtmlDocument(); doc.LoadHtml(docText);
	//更加Xpath获取表格对象
	var res = doc.DocumentNode.SelectSingleNode(@"/html[1]/body[1]/div[2]/div[6]/div[1]/div[1]/table[1]");
	if (res != null)
	{
		//获取所有行
		var list = res.SelectNodes(@"tr");
		list.RemoveAt(0);//移除第一行，是表头
		// 遍历每一行，获取日期，以及天气状况等信息
		foreach (var item in list)
		{
			var dd = item.SelectNodes(@"td");
			//日期 -  - 气温 - 风力风向
			if (dd.Count != 4) continue;
			//获取当前行日期
			var date1 = dd[0].InnerText.Replace("\r\n", "").Replace(" ", "").Trim();  
			//获取当前行天气状况
			var tq = dd[1].InnerText.Replace("\r\n", "").Replace(" ", "").Trim();
			//获取当前行气温
			var qw = dd[2].InnerText.Replace("\r\n", "").Replace(" ", "").Trim();
			//获取当前行风力风向
			var fx = dd[3].InnerText.Replace("\r\n", "").Replace(" ", "").Trim();
			//输出
			Console.WriteLine("{0}:{1},{2},{3}", date1, tq, qw, fx);
		}
	}
}

我们调用大连市2011年8月的记录：ParsePageByCityMonth("dalian",2011,8);  结果如下：

　　至于其他页面都是这个思路，先分析xpath，再获取对应的信息。熟悉几次后应该会快很多的。HtmlAgilityPack里面的方法用多了，自己用对象浏览器查看一些，会一些基本的就可以解决很多问题。

　　另外，很多网页都是直接输出json数据，对json数据的处理我写过一篇文章，可以参考下，纯手工打造的解析json：用原始方法解析复杂字符串，json一定要用JsonMapper么？

4.资源

HTML解析利器HtmlAgilityPack

HtmlAgilityPack 之 HtmlNode类

网易新闻页面信息抓取 -- htmlagilitypack搭配scrapysharp

C#类似Jquery的html解析类HtmlAgilityPack基础类介绍及运用

我把分析HAPExplorer 工具共享一些吧，这里下载：HtmlAgilityPack分析工具.rar

　　我将在下一篇文章中开放这个天气数据库，目前正在采集，很大，很慢。敬请关注。