C# 百度搜索结果xpath分析
- using System;
- using System.Collections.Generic;
- using System.IO;
- using System.Linq;
- using System.Net;
- using System.Text;
- using System.Threading.Tasks;
- using HtmlAgilityPack;
- namespace xpathGet
- {
- class Program
- {
- #region webclient创建
- public class WebClientBD : System.Net.WebClient
- {
- protected override System.Net.WebRequest GetWebRequest(Uri address)
- {
- HttpWebRequest request = base.GetWebRequest(address) as HttpWebRequest;
- request.AllowAutoRedirect = false;
- request.AutomaticDecompression = DecompressionMethods.Deflate | DecompressionMethods.GZip;
- request.UserAgent = "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36";
- return request;
- }
- public WebResponse Response { get; private set; }
- protected override WebResponse GetWebResponse(WebRequest request)
- {
- try
- {
- this.Response = base.GetWebResponse(request);
- }
- catch { }
- return this.Response;
- }
- }
- public static string lastUrl(string url)
- {
- byte[] pageData = null;
- string lasturl = null;
- string redirectLocal = null;
- try
- {
- WebClientBD wc = new WebClientBD(); // 创建WebClient实例提供向URI 标识的资源发送数据和从URI 标识的资源接收数据
- wc.Credentials = CredentialCache.DefaultCredentials; // 获取或设置用于对向 Internet 资源的请求进行身份验证的网络凭据。
- Encoding enc = Encoding.GetEncoding("utf-8"); // 如果是乱码就改成 utf-8 / GB2312
- pageData = wc.DownloadData(url); // 从资源下载数据并返回字节数组。
- if ((wc.Response as HttpWebResponse).StatusCode == HttpStatusCode.Found)
- {
- redirectLocal = ((wc.Response as HttpWebResponse).Headers["location"].StartsWith("http") == true ? string.Empty : "http://www.baidu.com") + (wc.Response as HttpWebResponse).Headers["location"];
- wc = new WebClientBD(); // 创建WebClient实例提供向URI 标识的资源发送数据和从URI 标识的资源接收数据
- wc.Credentials = CredentialCache.DefaultCredentials; // 获取或设置用于对向 Internet 资源的请求进行身份验证的网络凭据。
- pageData = wc.DownloadData(redirectLocal);
- if ((wc.Response as HttpWebResponse).StatusCode == HttpStatusCode.Found)
- {
- lasturl = (wc.Response as HttpWebResponse).Headers["location"];
- }
- else if ((wc.Response as HttpWebResponse).StatusCode == HttpStatusCode.OK)
- {
- lasturl = redirectLocal;
- }
- }
- return lasturl;
- }
- catch (Exception ex)
- {
- return "error:" + ex.Message;
- }
- }
- #endregion
- public static string GetHtmlSource(string url)
- {
- WebClientBD wc = new WebClientBD(); // 创建WebClient实例提供向URI 标识的资源发送数据和从URI 标识的资源接收数据
- wc.Credentials = CredentialCache.DefaultCredentials; // 获取或设置用于对向 Internet 资源的请求进行身份验证的网络凭据。
- Encoding enc = Encoding.GetEncoding("utf-8"); // 如果是乱码就改成 utf-8 / GB2312
- var pageData = wc.DownloadData(url); // 从资源下载数据并返回字节数组。
- return enc.GetString(pageData);
- }
- static void Main(string[] args)
- {
- #region 翻页URL
- //http://www.baidu.com/s?wd={0}&pn={1}&oq={0}&ie=utf-8&usm=4
- #endregion
- string address = "http://www.baidu.com/s?wd={0}&pn={1}0&oq={0}&ie=utf-8&usm=4";
- string key = "代购";
- string htmlPageSource = string.Empty;
- List<string> 其他最后的List = new List<string>();
- List<string> 广告最后的List = new List<string>();
- string 广告 = "//div[@id='content_left']//div[contains(@id,'300')]{0}|//div[@id='content_left']//div[contains(@id,'400')]{1}";
- string 其他 = "//div[@id='content_left']//div[contains(@class,'c-container')]{0}";
- //取标题
- for (int pnIndex = 0; pnIndex < 5; pnIndex++)
- {
- HtmlDocument doc = new HtmlDocument();
- List<string> 其他标题List = new List<string>();
- List<string> 其他标题链接List = new List<string>();
- List<string> 其他内容List = new List<string>();
- List<string> 其他citeList = new List<string>();
- List<string> 广告标题List = new List<string>();
- List<string> 广告标题链接List = new List<string>();
- List<string> 广告内容List = new List<string>();
- List<string> 广告citeList = new List<string>();
- htmlPageSource = GetHtmlSource(string.Format(address, key, pnIndex.ToString()));
- doc.LoadHtml(htmlPageSource);
- // doc.Load("D:\\rootInfo.html", Encoding.UTF8);
- HtmlNodeCollection 广告标题 = doc.DocumentNode.SelectNodes(string.Format(广告, "/div[1]/h3/a[1]", "/div[1]/h3/a[1]"));
- HtmlNodeCollection 广告标题链接 = doc.DocumentNode.SelectNodes(string.Format(广告, "/div[1]/h3/a[1]", "/div[1]/h3/a[1]"));
- HtmlNodeCollection 广告内容 = doc.DocumentNode.SelectNodes(string.Format(广告, "/div[2]", "/div[2]"));
- HtmlNodeCollection 广告cite = doc.DocumentNode.SelectNodes(string.Format(广告, "/div[2]//a/span[1]", "/div[3]/a/span"));
- HtmlNodeCollection 其他标题 = doc.DocumentNode.SelectNodes(string.Format(其他, "/h3/a[1]"));
- HtmlNodeCollection 其他标题链接 = doc.DocumentNode.SelectNodes(string.Format(其他, "/h3/a[1]"));
- HtmlNodeCollection 其他内容 = doc.DocumentNode.SelectNodes(string.Format(其他, "//div[@class='c-abstract']") + "|" + string.Format(其他, "//div['c-span18 c-span-last']/p[1]") + "|" + string.Format(其他, "//div[@class='c-offset']") + "|" + string.Format(其他, "//div[@class='op_dict_content']") + "|" + string.Format(其他, "//p[contains(text(),'由于该网站的robots.txt文件存在限制指令')]"));
- HtmlNodeCollection 其他cite = doc.DocumentNode.SelectNodes(string.Format(其他, "//span[@class='c-showurl']") + "|" + string.Format(其他, "//a[@class='c-showurl']"));
- //分析每个结果都有一个标题,现在是最新相关信息的结果没有cite,判断哪个没有cite给其赋值“new info”
- //如果有最新相关信息的结果 ,假设标题有9个结果,则cite有8个。
- // 1.如果最新消息在最后一个此时标题的index=8,cite的index=8,最后一个标题index=9,但是cite的index是不存在的所以添加一个元素“new info。其他位置则插入元素
- foreach (var item in 其他cite)
- {
- 其他citeList.Add(item.InnerText.Trim().Replace(" ", String.Empty).Replace("\n", string.Empty).Replace(" ", string.Empty));
- }
- foreach (var item in 其他内容)
- {
- 其他内容List.Add(item.InnerText.Trim().Replace(" ", String.Empty).Replace("\n", string.Empty).Replace(" ", string.Empty));
- }
- for (int i = 0; i < 其他标题.Count; i++)
- {
- 其他标题List.Add(其他标题[i].InnerText.Trim().Replace(" ", String.Empty).Replace("\n", string.Empty).Replace(" ", string.Empty));
- 其他标题链接List.Add(其他标题链接[i].GetAttributeValue("href", "").Trim().Replace(" ", String.Empty).Replace("\n", string.Empty).Replace(" ", string.Empty));
- }
- if (其他标题List.Count != 其他citeList.Count)
- {
- if (其他标题[其他citeList.Count].InnerText.Contains("的最新相关信息"))
- {
- 其他citeList.Add("new info");
- }
- else
- {
- for (int i = 0; i < 其他标题List.Count; i++)
- {
- if (其他标题List[i].Contains("的最新相关信息"))
- {
- 其他citeList.Insert(i, "new info");
- }
- }
- }
- }
- // List<string> 其他最后的List = new List<string>();
- for (int j = 0; j < 其他标题List.Count; j++)
- {
- 其他最后的List.Add(其他标题List[j] + "|" + 其他标题链接List[j] + "|" + 其他内容List[j] + "|" + 其他citeList[j] + "\t");
- }
- 其他最后的List.Add(String.Format("以上为第{0}页搜索结果。", pnIndex + 1));
- string path = @"d:\\infolist_Page" + (pnIndex+1) + ".html";
- File.WriteAllText(path, htmlPageSource, Encoding.UTF8);
- for (int i = 0; i < 广告标题.Count; i++)
- {
- 广告标题List.Add(广告标题[i].InnerText.Trim().Replace(" ", String.Empty).Replace("\n", string.Empty).Replace(" ", string.Empty));
- 广告内容List.Add(广告内容[i].InnerText.Trim().Replace(" ", String.Empty).Replace("\n", string.Empty).Replace(" ", string.Empty));
- 广告标题链接List.Add(广告标题链接[i].GetAttributeValue("href", "").Trim().Replace(" ", String.Empty).Replace("\n", string.Empty).Replace(" ", string.Empty));
- 广告citeList.Add(广告cite[i].InnerText.Trim().Replace(" ", String.Empty).Replace("\n", string.Empty).Replace(" ", string.Empty));
- }
- for (int j = 0; j < 广告标题List.Count; j++)
- {
- 广告最后的List.Add(广告标题List[j] + "|" + 广告标题链接List[j] + "|" + 广告内容List[j] + "|" + 广告citeList[j] + "\t");
- }
- 广告最后的List.Add(String.Format("以上为第{0}页搜索结果。", pnIndex + 1));
- }
- File.WriteAllLines(@"d:\\infolist.txt", 其他最后的List.ToArray(), Encoding.UTF8);
- File.WriteAllLines(@"d:\\infolist2.txt", 广告最后的List.ToArray(), Encoding.UTF8);
- }
- }
- }
C# 百度搜索结果xpath分析的更多相关文章
- PHP网络爬虫实践:抓取百度搜索结果,并分析数据结构
百度的搜索引擎有反爬虫机制,我先直接用guzzle试试水.代码如下: <?php /** * Created by Benjiemin * Date: 2020/3/5 * Time: 14:5 ...
- python--selenium简单模拟百度搜索点击器
python--selenium简单模拟百度搜索点击器 发布时间:2018-02-28 来源:网络 上传者:用户 关键字: selenium 模拟 简单 点击 搜索 百度 发表文章摘要:用途:简单模拟 ...
- Python:输入关键字进行百度搜索并爬取搜索结果
学习自:手把手教你用Python爬取百度搜索结果并保存 - 云+社区 - 腾讯云 如何利用python模拟百度搜索,Python交流,技术交流区,鱼C论坛 指定关键字,对其进行百度搜索,保存搜索结果, ...
- Splinter学习--初探1,模拟百度搜索
Splinter是以Selenium, PhantomJS 和 zope.testbrowser为基础构建的web自动化测试工具,基本原理同selenium 支持的浏览器包括:Chrome, Fire ...
- 利用python爬取海量疾病名称百度搜索词条目数的爬虫实现
实验原因: 目前有一个医疗百科检索项目,该项目中对关键词进行检索后,返回的结果很多,可惜结果的排序很不好,影响用户体验.简单来说,搜索出来的所有符合疾病中,有可能是最不常见的疾病是排在第一个的,而最有 ...
- jsonp跨越请求百度搜索api 实现下拉列表提示
题目来源: 最近在做百度IFE前端技术学院的题,然后有一题就是模拟百度搜索智能提示.题目是开源的,稍后给出地址. 因为博主没学过后端啊,欲哭无泪,所以不能实现后端模糊搜索,那如果前端ajax纯粹请求一 ...
- 百度搜索URL参数 搜索关键字
http://www.baidu.com/s?wd=关键字 wd(Keyword):查询的关键词: http://www.baidu.com/s?wd=关键字&cl=3 cl(Class):搜 ...
- python爬取百度搜索结果ur汇总
写了两篇之后,我觉得关于爬虫,重点还是分析过程 分析些什么呢: 1)首先明确自己要爬取的目标 比如这次我们需要爬取的是使用百度搜索之后所有出来的url结果 2)分析手动进行的获取目标的过程,以便以程序 ...
- 使用curl制作简易百度搜索
这几天研究了一下php中的curl类库,做了一个简单的百度搜索,先上代码 <div style="width:200px;height:100px;"> <div ...
随机推荐
- android 权限
1.开发的apk如果想要使用其他组件提供的功能,需要获取对应的权限.android提供了一些权限,在Manifest.permission类中定义. 比较常用的权限:
- App phonegap
云端打包 https://build.phonegap.com/apps phonegap PC端下载 https://www.phonegap.com/getstarted/ 移动端下载 https ...
- OneZero第四周第五次站立会议(2016.4.15)
1. 时间: 15:00--15:15 共计15分钟. 2. 成员: X 夏一鸣 * 组长 (博客:http://www.cnblogs.com/xiaym896/), G 郭又铭 (博客:http ...
- sessionStorage & string typeof
sessionStorage & string typeof
- Vue项目部署问题及解决方案
Vue项目部署问题及解决方案 Vue-Router 有两种模式,默认是 hash 模式,另外一种是 history 模式. hash:也就是地址栏里的 # 符号.比如 http://www.examp ...
- 开始学习Scheme
开始学习Scheme 函数式编程(Functional Programming)是在MIT研究人工智能(Artificial Intelligence)时发明的,其编程语言为Lisp.确切地说,L ...
- 【刷题】清橙 A1339 JZPLCM(顾昱洲)
试题来源 2012中国国家集训队命题答辩 问题描述 给定一长度为n的正整数序列a,有q次询问,每次询问一段区间内所有数的lcm(即最小公倍数).由于答案可能很大,输出答案模1000000007. 输入 ...
- 【题解】 [HAOI2016]食物链 (拓扑排序)
懒得复制,直接贴链接吧 Solution: 水题一道,注意单独一个点的不算在食物链中,也就是\(in[i]==0\) \(out[i]==0\)的点就不计算 Code: //It is coded b ...
- mysql账户添加远程访问
我们要将root账户设置为远程可访问 mysql> show databases; +--------------------+ | Database | +------------------ ...
- springboot中定时任务
import java.text.SimpleDateFormat; import java.util.Date; import org.springframework.context.annotat ...