C# 爬取网页上的数据

最近工作中需求定时爬取不同城市每天的温度。其实就是通过编程的方法去抓取不同网站网页进行分析筛选的过程。.NET提供了很多类去访问并获得远程网页的数据，比如WebClient类和HttpWebRequest类。这些类对于利用HTTP去访问远端的网页并且下载下来是很有用的，但在对于所下载下来的HTML的解析能力方面，则显得功能很弱了。推荐一个开源的组件HTML Agility Pack(http://htmlagilitypack.codeplex.com/),它的设计目标是尽可能简化对HTML文档的读和写。这个包本身是利用了DOM文档对象模型去解析HTML的。在此顺便记录一下最近收集的爬取历史和当前天气的网站备用：

• 支持历史天气查询的中文网站：http://lishi.tianqi.com/
• 类似网站：http://tianqi.2345.com/wea_history/59287.htm  （最近2-3年数据）
• 网站：http://www.wunderground.com/history/   （最近18年数据）
• 这个网站支持的时间更长： http://www.tutiempo.net/en/Climate/
• 中国天气网：http://www.weather.com.cn/,

中国天气网(Weather.com.cn)

---

• 该网提供有如下三个Json格式的查询接口，以北京为例：
• http://www.weather.com.cn/data/sk/101010100.html
• http://www.weather.com.cn/data/cityinfo/101010100.html
• http://m.weather.com.cn/data/101010100.html
• ID是一个9位的数字，按照长度可以分为如下四部分：101（国家代号） 01（省） 01（二级地区） 00（三级地区）
• 要获取所有的地区代号，通过如下方式：https://wqbot.blob.core.windows.net/botdemo/CityCode.xml

示例Demo

---

编程使用示例如下：我们要获取如下网页中的天气信息：

下载HTML Agility Pack组件，新建控制台程序，在你的工程中引用相应framework版本对应的组件，示例代码如下：

            string url = @"http://lishi.tianqi.com/beijing/201701.html";
            var webGet = new HtmlWeb();
            var document = webGet.Load(url);
            var div = document.DocumentNode.SelectNodes("//div[@class='tqtongji2']/ul");
            foreach (HtmlNode node in div)
            {
                var tmpNode = node.SelectNodes("li");
                Console.WriteLine(string.Format("{0}-----------{1}---------{2}----------{3}",
                    tmpNode[].InnerText,
                    tmpNode[].InnerText,
                    tmpNode[].InnerText,
                    tmpNode[].InnerText));
            }
            Console.ReadKey();

程序运行效果：中文存在乱码，如下图

通过分析HTML Agility Pack源码，在HtmlWeb类的Get(Uri uri, string method, string path, HtmlDocument doc)方法中，局部变量 resp是http请求的response。设置断点发现resp.ContentEncoding为空。因此通过HttpWebRequest来下载数据，示例代码如下：

            string url = @"http://lishi.tianqi.com/beijing/201701.html";
            HttpWebRequest req = WebRequest.Create(new Uri(url)) as HttpWebRequest;
            req.Method = "GET";
            WebResponse rs = req.GetResponse();
            Stream rss = rs.GetResponseStream();
            HtmlDocument doc = new HtmlDocument();
            doc.Load(rss);
            var div = doc.DocumentNode.SelectNodes("//div[@class='tqtongji2']/ul");
            foreach (HtmlNode node in div)
            {
                var tmpNode = node.SelectNodes("li");
                Console.WriteLine(string.Format("{0}-----------{1}---------{2}----------{3}",
                    tmpNode[].InnerText,
                    tmpNode[].InnerText,
                    tmpNode[].InnerText,
                    tmpNode[].InnerText));
            }
            Console.ReadKey();

代码运行效果如下：

that's ok!!!