1. 引言

相比于Java而言，基于C#的开源爬虫就少了很多。入行这么多年也从未接触过爬虫。出于兴趣今天给大家介绍一个C# 的爬虫工具. 需要使用可以通过Nuget获取。Abot本身就支持多线程的爬取，

内部使用CsQuery来解析爬取到的Html文档。熟悉jQuery的同学肯定能快速上手CsQuery, 它就是一个C#版本的jQuery。

这里以爬取博客园当天的新闻数据为例，看看如何使用Abot。

 

2. 博客园新闻页面

这是博客园的新闻首页。可以看到典型的分页显示。比如 这是新闻的第二页。

真正的新闻详细页面 比如：， 通过正则表达式可以很轻松的匹配这两种Url 类型。

当然我们可以通过一个 for 循环分别爬取各个page的新闻数据。然后解析出发表于今天的新闻。但是我希望只以 为种子页面，爬取今天的新闻。

由于博客园新闻分页并不是采用Ajax，对于爬虫而言这非常友好

因此我们定义

/// 
        /// 种子Url        /// 
        public static readonly Uri FeedUrl = new Uri(@"http://news.cnblogs.com/");        /// 
        ///匹配新闻详细页面的正则         /// 
        public static Regex NewsUrlRegex = new Regex("^http://news.cnblogs.com/n/\\d+/$", RegexOptions.Compiled);        /// 
        /// 匹配分页正则         /// 
        public static Regex NewsPageRegex = new Regex("^http://news.cnblogs.com/n/page/\\d+/$", RegexOptions.Compiled);

 

3. 实现

Abot 其实已经对爬虫内部实现封装的非常精巧，使用者只需要设置一些Config 参数和爬取页面的一些事件即可。

public static IWebCrawler GetManuallyConfiguredWebCrawler()        {            CrawlConfiguration config = new CrawlConfiguration();            config.CrawlTimeoutSeconds = 0;            config.DownloadableContentTypes = "text/html, text/plain";            config.IsExternalPageCrawlingEnabled = false;            config.IsExternalPageLinksCrawlingEnabled = false;            config.IsRespectRobotsDotTextEnabled = false;            config.IsUriRecrawlingEnabled = false;            config.MaxConcurrentThreads = System.Environment.ProcessorCount;            config.MaxPagesToCrawl = 1000;            config.MaxPagesToCrawlPerDomain = 0;            config.MinCrawlDelayPerDomainMilliSeconds = 1000;            var crawler = new PoliteWebCrawler(config, null, null, null, null, null, null, null, null);            crawler.ShouldCrawlPage(ShouldCrawlPage);            crawler.ShouldDownloadPageContent(ShouldDownloadPageContent);            crawler.ShouldCrawlPageLinks(ShouldCrawlPageLinks);            crawler.PageCrawlStartingAsync += crawler_ProcessPageCrawlStarting;                        //爬取页面后的回调函数            crawler.PageCrawlCompletedAsync += crawler_ProcessPageCrawlCompletedAsync;            crawler.PageCrawlDisallowedAsync += crawler_PageCrawlDisallowed;            crawler.PageLinksCrawlDisallowedAsync += crawler_PageLinksCrawlDisallowed;            return crawler;        }

具体调用非常简单：

public static void Main(string[] args)        {            var crawler = GetManuallyConfiguredWebCrawler();            var result = crawler.Crawl(FeedUrl);            System.Console.WriteLine(result.ErrorException);        }

最主要的是PageCrawlCompletedAsync，可以在该事件下获取需要的页面数据。

public static void crawler_ProcessPageCrawlCompletedAsync(object sender, PageCrawlCompletedArgs e)        {            //判断是否是新闻详细页面            if (NewsUrlRegex.IsMatch(e.CrawledPage.Uri.AbsoluteUri))            {                //获取信息标题和发表的时间                   var csTitle = e.CrawledPage.CsQueryDocument.Select("#news_title");                var linkDom = csTitle.FirstElement().FirstChild;                var newsInfo = e.CrawledPage.CsQueryDocument.Select("#news_info");                var dateString = newsInfo.Select(".time", newsInfo);                //判断是不是今天发表的                  if (IsPublishToday(dateString.Text()))                {                    var str = (e.CrawledPage.Uri.AbsoluteUri + "\t" + HtmlData.HtmlDecode(linkDom.InnerText) + "\r\n");                    System.IO.File.AppendAllText("fake.txt", str);                }            }        }        /// 
        /// "发布于 2016-05-09 11:25" => true        /// 
        public static bool IsPublishToday(string str)        {            if (string.IsNullOrEmpty(str))            {                return false;            }            const string prefix = "发布于";            int index = str.IndexOf(prefix, StringComparison.OrdinalIgnoreCase);            if (index >= 0)            {                str = str.Substring(prefix.Length).Trim();            }            DateTime date;            return DateTime.TryParse(str, out date) && date.Date.Equals(DateTime.Today);        }

为了提升爬取的效果 比如在首页爬虫抓取到 ， 显然这样的链接我们不需要， 那就可以设置爬取的规则：

/// 
        /// 如果是Feed页面或者分页或者详细页面才需要爬取         /// 
        private static CrawlDecision ShouldCrawlPage(PageToCrawl pageToCrawl, CrawlContext context)        {            if (pageToCrawl.IsRoot || pageToCrawl.IsRetry || FeedUrl == pageToCrawl.Uri                || NewsPageRegex.IsMatch(pageToCrawl.Uri.AbsoluteUri)                || NewsUrlRegex.IsMatch(pageToCrawl.Uri.AbsoluteUri))            {                return new CrawlDecision {Allow = true};            }            else            {                return new CrawlDecision {Allow = false, Reason = "Not match uri"};            }        }        /// 
        /// 如果是Feed页面或者分页或者详细页面才需要爬取         /// 
        private static CrawlDecision ShouldDownloadPageContent(PageToCrawl pageToCrawl, CrawlContext crawlContext)        {            if (pageToCrawl.IsRoot || pageToCrawl.IsRetry || FeedUrl == pageToCrawl.Uri                || NewsPageRegex.IsMatch(pageToCrawl.Uri.AbsoluteUri)                || NewsUrlRegex.IsMatch(pageToCrawl.Uri.AbsoluteUri))            {                return new CrawlDecision                {                    Allow = true                };            }            return new CrawlDecision { Allow = false, Reason = "Not match uri" };        }        private static CrawlDecision ShouldCrawlPageLinks(CrawledPage crawledPage, CrawlContext crawlContext)        {            if (!crawledPage.IsInternal)                return new CrawlDecision {Allow = false, Reason = "We dont crawl links of external pages"};            if (crawledPage.IsRoot || crawledPage.IsRetry || crawledPage.Uri == FeedUrl                || NewsPageRegex.IsMatch(crawledPage.Uri.AbsoluteUri))            {                return new CrawlDecision {Allow = true};            }            else            {                return new CrawlDecision {Allow = false, Reason = "We only crawl links of pagination pages"};            }        }

最终抓到的数据：

 

4. 总结

Abot 还是一个非常方便爬虫，如果运用到实际生产环境中，参数配置是首先需要解决的，比如 MaxPagesToCrawl 最大抓取的页面数，还可以设置爬虫内存限制等。

 

欢迎访问我的个人网站 网站还在不断开发中…