NET 5 爬虫框架/抓取数据

爬虫大家或多或少的都应该接触过的，爬虫有风险，抓数需谨慎。

 爬虫有的是抓请求，有的是抓网页再解析

本着研究学习的目的，记录一下在 .NET Core 下抓取数据的实际案例。爬虫代码一般具有时效性，当我们的目标发生改版升级，规则转换后我们写的爬虫代码就会失效，需要重新应对。抓取数据的主要思路就是去分析目标网站的页面逻辑，利用xpath、正则表达式等知识去解析网页拿到我们想要的数据。

本篇主要简单介绍三个组件的使用，HtmlAgilityPack、AngleSharp、PuppeteerSharp，前两个可以处理传统的页面，无法抓取单页应用，如果需要抓取单页应用可以使用PuppeteerSharp。

新建一个控制台项目，抓取几个站点的数据来试试，先做准备工作，添加一个IHotNews的接口。

using System.Collections.Generic;
using System.Threading.Tasks;

namespace SpiderDemo
{
    public interface IHotNews
    {
        Task<IList<HotNews>> GetHotNewsAsync();
    }
}

HotNews模型，包含标题和链接

namespace SpiderDemo
{
    public class HotNews
    {
        public string Title { get; set; }

        public string Url { get; set; }
    }
}

最终我们通过依赖注入的方式，将抓取到的数据展示到控制台中。

HtmlAgilityPack:

https://html-agility-pack.net/
https://github.com/zzzprojects/html-agility-pack

在项目中安装HtmlAgilityPack组件

Install-Package HtmlAgilityPack

这里以博客园为抓取目标，我们抓取首页的文章标题和链接。

using HtmlAgilityPack;
using System.Collections.Generic;
using System.Linq;
using System.Threading.Tasks;

namespace SpiderDemo
{
    public class HotNewsHtmlAgilityPack : IHotNews
    {
        public async Task<IList<HotNews>> GetHotNewsAsync()
        {
            var list = new List<HotNews>();

            var web = new HtmlWeb();

            var htmlDocument = await web.LoadFromWebAsync("https://www.cnblogs.com/");

            var node = htmlDocument.DocumentNode.SelectNodes("//*[@id='post_list']/article/section/div/a").ToList();

            foreach (var item in node)
            {
                list.Add(new HotNews
                {
                    Title = item.InnerText,
                    Url = item.GetAttributeValue("href", "")
                });
            }

            return list;
        }
    }
}

添加HotNewsHtmlAgilityPack.cs实现IHotNews接口，访问博客园网址，拿到HTML数据后，使用xpath语法解析HTML，这里主要是拿到a标签即可。

通过查看网页分析可以得到这个xpath：//*[@id='post_list']/article/section/div/a。

然后在Program.cs中注入IHotNews，循环遍历看看效果。

using Microsoft.Extensions.DependencyInjection;
using System;
using System.Linq;
using System.Threading.Tasks;

namespace SpiderDemo
{
    class Program
    {
        static async Task Main(string[] args)
        {
            IServiceCollection service = new ServiceCollection();

            service.AddSingleton<IHotNews, HotNewsHtmlAgilityPack>();

            var provider = service.BuildServiceProvider().GetRequiredService<IHotNews>();

            var list = await provider.GetHotNewsAsync();

            if (list.Any())
            {
                Console.WriteLine($"一共{list.Count}条数据");

                foreach (var item in list)
                {
                    Console.WriteLine($"{item.Title}\t{item.Url}");
                }
            }
            else
            {
                Console.WriteLine("无数据");
            }
        }
    }
}

Anglesharp

https://anglesharp.github.io/
https://github.com/AngleSharp/AngleSharp

在项目中安装AngleSharp组件

Install-Package AngleSharp

同样的，新建一个HotNewsAngleSharp.cs也实现IHotNews接口，这次使用AngleSharp抓取。

using AngleSharp;
using System.Collections.Generic;
using System.Threading.Tasks;

namespace SpiderDemo
{
    public class HotNewsAngleSharp : IHotNews
    {
        public async Task<IList<HotNews>> GetHotNewsAsync()
        {
            var list = new List<HotNews>();

            var config = Configuration.Default.WithDefaultLoader();
            var address = "https://www.cnblogs.com";
            var context = BrowsingContext.New(config);
            var document = await context.OpenAsync(address);

            var cellSelector = "article.post-item";
            var cells = document.QuerySelectorAll(cellSelector);

            foreach (var item in cells)
            {
                var a = item.QuerySelector("section>div>a");
                list.Add(new HotNews
                {
                    Title = a.TextContent,
                    Url = a.GetAttribute("href")
                });
            }

            return list;
        }
    }
}

AngleSharp解析数据和HtmlAgilityPack的方式有所不同，AngleSharp可以利用css规则去获取数据，用起来也是挺方便的

在Program.cs中注入IHotNews，循环遍历看看效果。

using Microsoft.Extensions.DependencyInjection;
using System;
using System.Linq;
using System.Threading.Tasks;

namespace SpiderDemo
{
    class Program
    {
        static async Task Main(string[] args)
        {
            IServiceCollection service = new ServiceCollection();

            service.AddSingleton<IHotNews, HotNewsAngleSharp>();

            var provider = service.BuildServiceProvider().GetRequiredService<IHotNews>();

            var list = await provider.GetHotNewsAsync();

            if (list.Any())
            {
                Console.WriteLine($"一共{list.Count}条数据");

                foreach (var item in list)
                {
                    Console.WriteLine($"{item.Title}\t{item.Url}");
                }
            }
            else
            {
                Console.WriteLine("无数据");
            }
        }
    }
}

PuppeteerSharp

https://www.puppeteersharp.com/
https://github.com/hardkoded/puppeteer-sharp

PuppeteerSharp是基于Puppeteer的，Puppeteer 是一个Google 开源的NodeJS 库，它提供了一个高级API 来通过DevTools协议控制Chromium 浏览器。Puppeteer 默认以无头(Headless) 模式运行，但是可以通过修改配置运行“有头”模式。

PuppeteerSharp可以干很多事情，不光可以用来抓取单页应用，还可以用来生成页面PDF或者图片，可以做自动化测试等。

在项目中安装PuppeteerSharp组件

Install-Package PuppeteerSharp

使用PuppeteerSharp第一次会帮我们在项目根目录中下载浏览器执行程序，这个取决于当前网速的快慢，建议手动下载后放在指定位置即可。

using PuppeteerSharp;
using System.Threading.Tasks;

namespace SpiderDemo
{
    class Program
    {
        static async Task Main(string[] args)
        {
            // 下载浏览器执行程序
            await new BrowserFetcher().DownloadAsync(BrowserFetcher.DefaultRevision);

            // 创建一个浏览器执行实例
            using var browser = await Puppeteer.LaunchAsync(new LaunchOptions
            {
                Headless = true,
                Args = new string[] { "--no-sandbox" }
            });

            // 打开一个页面
            using var page = await browser.NewPageAsync();

            // 设置页面大小
            await page.SetViewportAsync(new ViewPortOptions
            {
                Width = 1920,
                Height = 1080
            });
        }
    }
}

上面这段代码是初始化PuppeteerSharp必要的代码，可以根据实际开发需要进行修改，下面以"https://juejin.im"为例，演示几个常用操作。

获取单页面的HTML

var url = "https://juejin.im";
await page.GoToAsync(url, WaitUntilNavigation.Networkidle0);
var content = await page.GetContentAsync();
Console.WriteLine(content);

可以看到页面上的HTML全部被获取到了，这时候就可以利用规则解析HTML，拿到我们想要的数据了。

保存为图片

var url = "https://juejin.im/";
await page.GoToAsync(url, WaitUntilNavigation.Networkidle0);

await page.ScreenshotAsync("juejin.png");

保存为PDF

var url = "https://juejin.im/";
await page.GoToAsync(url, WaitUntilNavigation.Networkidle0);

await page.PdfAsync("juejin.pdf");

PuppeteerSharp的功能还有很多，比如页面注入HTML、执行JS代码等，使用的时候可以参考官网示例。

最后使用HtmlAgilityPack获取博客园的标题内容

List<BlogInfo> blog = new List<BlogInfo>();
            HtmlWeb web = new HtmlWeb();
            HtmlNodeCollection node;

            for (int i = 0; i < 10; i++)
            {
                node = web.Load($"https://www.cnblogs.com/#p{i}").DocumentNode.SelectNodes("//a[@class='post-item-title']");
                foreach (var item in node)
                {
                    blog.Add(new BlogInfo
                    {
                        Title = item.InnerText,
                        Content = web.Load(item.GetAttributeValue("href", "")).DocumentNode.SelectSingleNode("//div[@id='cnblogs_post_body']").InnerHtml
                    });
                }
            }

xpath参考https://www.cnblogs.com/cplemom/p/13388613.html

推荐其他几个爬虫类库

https://www.cnblogs.com/cang12138/p/7464226.html

https://www.cnblogs.com/cang12138/p/7486003.html

https://www.cnblogs.com/EminemJK/p/8920364.html

https://github.com/AngleSharp/AngleSharp

https://github.com/TsingJyujing/DataSpider

https://github.com/sjdirect/abot

https://github.com/zzzprojects/html-agility-pack

爬虫29问

1、爬虫很简单吗？

如果只是抓取几个普通的网页，爬虫确实很简单。在网络上，我们经常可以看到，30分钟入门python爬虫这样的教程。如果目标网站有反爬，或是需要抓取海量数据，那这就不是一件简单的事了。本书就从爬虫常见问题，爬虫技巧，以及反爬虫，海量爬取等方面，来讲一下如何应对各种各样的爬虫状况。

2、POST和GET有什么区别？

从本质上，没有什么区别，都是http协议中的Method方法。只是POST在上传数据时，使用了Body。同样的，http协议中可以使用PUT，HEAD等方法，也可以自造协议如ABCD，只要服务器支持即可。

3、静态网页和动态网页抓取有什么区别？

很久以前，大家会将html后缀的网页叫静态网页，asp，php，jsp这类后缀的网页叫动态网页。但这种分法其实不科学，因为伪静态技术是可以让网页后缀任意显示的。我们可以查看服务器端返回的header信息，查看服务器软件是Apache还是IIS，由这个信息判断，当然，这个信息其实很多情况下也是可以更改的。

从爬虫角度，没有所谓的动态和静态。网页在服务器端生成，通过网络传送到客户端，如果是在浏览器，浏览器渲染页面并再加载网页相关的css,js及图片等资源。现在，人们更多的将通过js加载数据的网页称为动态网页。

4、请求抓取一个网页，需要注意哪些事情？

一般需要注意User-Agent以及Cookie，User-Agent代表浏览器类型，很多网站针对不同的浏览器使用不同的显示输出方式，Cookie携带了一些登录信息，如果登录成功一个网站，在下次请求中不使用Cookie，就会提示你没有登录了。在请求时，还需要注意请求的编码和返回代码的编码，如果选错编码，看到的可能就是乱码。

5、如何学习http协议

极力推荐大家使用fiddler软件来分析http请求。这个工具自带很多功能，方便查看请求的所有细节，还可以伪造请求，进行调试，统计等功能。

6、防盗链是怎么回事

在服务器上可以设置或是检测请求Header看的Referer参数，如果为空，或是非本站域名，则不显示数据。最常见的是图片显示禁止盗链或是不显示。只需要在抓取时设置Referer即可。

7、网站数据没列表的怎么抓取？

如果网站是通过搜索获取的，则可以使用各种各样的搜索词来搜索，比如常见的文字，字母以及数字的组合，作为搜索条件搜索。

如果返回结果的内容是有数字id的，可以通过穷举的方式进行爬取。

8、Silverlight类型的网站如何抓取：

可以打开Silverlight网站的页面，查看源代码，寻找xap的文字，看到类似<param name="Source" value="xxx/abc.xap" />的文字，然后下载xap文件，解压后就可以看到很多dll文件，使用ilspy反编译即可看到网站的调用过程。

9、类似12306类型的验证码怎么办？

穷举所有图片样本，只要量够大，再结合人工标识，就可处理。

10、被封IP怎么办？

被封IP后可以做以下调整：

1）减少请求频率

2）更换User-Agent，可以试一下用百度等搜索引擎的

3）更换IP，可以adsl拨号，也可以代理服务

11、爬取海量的数据需注意什么？

比如一天抓取1000万，就要分解到每秒，每机器，带宽等方面，要使用分布式集群来抓取，可以使用redis这样的列队存储任务。

12、返回的数据是加密的，怎么解密？

如果是网页源代码中加密，而页面上正常显示，这就是数据通过JavaScript渲染了，这时，可以通过浏览器的开发者工具，调试代码，查看数据处理过程。如果不想深入研究，直接上PhantomJS或其它浏览器，操作网页元素获取数据。13、爬取中出现有验证码怎么办？

普通的验证码，比如纯字母或数字，不相互粘连，使用字库或二值化，很容易处理。现在的验证码都是比较高级的，比如复杂的字符，拖动，点击等，需要接入打码平台进行人工打码。

14、手机app数据要如何抓取

可以在手机上设置http代理，看看有无数据经过http协议传送。如果没有，那抓取难度会提高不少，有人通过反编译或是群控点击来抓取，但成本较高。很多小型的app，基本没有安全意识，很多是直接调用的api，得到的是非常干净的json数据。

15、如何上传文件至网站？

上传文件需要使用POST方法并设置Content-Type为multipart/form-data，发送的格式如下：

POST http://www.example.com HTTP/1.1

Content-Type:multipart/form-data; boundary=----WebKitFormBoundaryA

------WebKitFormBoundaryA

Content-Disposition: form-data; name="text"

title

------WebKitFormBoundaryA

Content-Disposition: form-data; name="file"; filename="chrome.png"

Content-Type: image/png

二进制文件内容 ...

------WebKitFormBoundaryA--

以上部分为发送格式，其中WebKitFormBoundaryA是可以使用任意内容的，只要按这种格式即可。常见的Content-Type还有application/x-www-form-urlencoded ，application/json，text/xml。

16、翻页限制怎么处理？

多级分类数据很多是有翻页限制，分类只显示前多少页。对于此情况，可以使用这类网站的筛选功能，比如按时间先后，大小，排序来扩大页面内容。如果有子分类，就不断的获取子分类。如果有多个选项，可以使用排列组合的方式，尽可能多的获取。

17、海量网址如何重复排重？

数据量不大的情况下，可以对网址进行md5一下，然后使用hash进行对比。如果是海量网址排重，可以使用布隆排重算法BloomFilter。

18、如何提高爬取速度

1）使用gzip/deflate压缩，一般能压缩到原大小的20%左右。一般服务器不会为你发送压缩数据，需要传送Accept-encoding的header。

2）使用链接池，C#请求时需要将keep-alive设置为true。

3）设置超时，要对一直无响应的请求果断关闭。

19、要抓取包含特定关键词的网页

使用站内搜索，搜索引擎site,全部下载

20、CSS/HTML混淆干扰限制的数据获取

常见的此类反爬方式有

1）使用图片替换部分文字

2）使用自定义字体

3）伪元素隐藏

4）元素position位置偏

其中，第一种情况，可以找图片对应的文字，找到所有后进行替换。第二种可以找到ttf字体文件地址后下载再找其中编码和文字的对应关系并替换。第三种，找class对应的文本内容进行替换。第四种就涉及到计算了，如果嫌麻烦，也可以截图识别。

21、数据抓取过程中发现电信劫持，导致数据错误怎么办？

电话投诉电信运营商，可以打电话或是工信部投诉。

有时电脑中病毒也会有这类劫持，这就属于黑产方面的了。

22、关于eval(function(p,a,c,k,e,d)加密的问题

这是一个很经典的数据加密方式，网上已经有在线加密解密的方法。在本地运行时，需要使用JS引擎执行js获得结果。

23、PKI证书的验证的网站如何处理？

PKI证书一般是在登录时，会去特定地址请求并上传证书进行验证，验证过后生成带参网址返回网站并生成cookie从而完成身份验证。也有通过插件实现验证的，比如吉大正元。

24、HtmlAgilityPack解析网页需注意什么

在很久以前版本中，HtmlAgilityPack存在溢出漏洞，即节点分析会陷入死循环。新版本解决了这个问题，请用最新版本。在使用HtmlAgilityPack 解析网页时，需要注意可能页面错误导致无法解析。可以使用替换等方法先对源代码进行处理，再进行解析。

25、除了fiddler有哪些数据包抓取工具呢？

1）Microsoft Network Monitor

2）Wireshark

3）Anyproxy

26、抓取的数据不全怎么办？

某些网站，会对外只显示部分数据，或是只针对部分用户显示全部数据，那这种情况下，就是考验观察力的能力了。比如很早以前同城网站的联系方式，只显示前7位号码，但是呢，在另外一个地方，显示了后四位，所以，只要都抓取一下加一块儿就可以了。还有部分网站，使用json调用api，一看就知道程序员用的是select * ，返回的数据中包含了所有有关和没关的数据，相当于明显的漏洞。有时也可以使用不全的数据，再去站内搜索，说不定也会有新的发现。

27、网站使用CDN反爬虫如何应对？

网站使用cdn技术可以提高访问速度和安全性，并能提供更高的反爬虫能力。不过部分网站会暴露真实服务器地址，同时没判断cdn来源，导致伪造的cdn服务器可以不断的抓取数据。同时大多数cdn服务器反爬虫没有做联动，导致cdn服务器越多，反而相当于提供了更多的代理服务器给爬虫使用。

28、使用Xpath获取网页元素时需要注意什么？

经过浏览器渲染，然后使用xpath提取Dom元素，再取值，是可以忽略渲染过程，并能实时获取最新数据的方法。在设置xpath提取规则时，善于使用绝对相对，contains，or，and等符号，可以尽快定位元素。如果最终元素符号是不定的，可以使用父级定位。尽可能使用@id这种唯一性标识。

29、遇到网站投毒怎么办？

遇到目标网站检测到了爬虫，给错数据的时候，因为无法直接判断出数据的准确性，所以只能是通过多次，或是多个形式的爬取，对最终的结果进行对比，如果多次都正确，则可以认为是正确的数据。类似的情况都可以使用这样的思路，比如使用下载软件下载资源，经常会有下载不了的情况，如果同时对一个资源搜索很多下载链接并同时进行下载，就可以很快筛选出可以下载的。