由于各种原因,我们经常需要去别的网站采集一些信息,.net下所有相关的技术都已经非常成熟,用Webrequest抓取页面,既支持自定义Reference头,又支持cookie,解析页面一般都是用正则,而且对方网站结构一变,还得重新改代码,重新编译,发布。
如果有了IronPython,可以把抓取和分析的逻辑做成Python脚本,如果对方页面结构变了,只需修改脚本就行了,不需重新编译软件,这样可以用c#做交互和界面部分,用Python封装预期经常变化的部分。
安装好IronPython和vs.net 2010后,还需要下载一个SGMLReader(见参考链接),这个组件可以把格式不是很严格的HTML转换成格式良好的XML文件,甚至还能增加DTD的验证
我们以抓取百度贴吧页面为例,新建一个Console项目,引用IronPython,Microsoft.Dynamic,Microsoft.Scripting,SgmlReaderDll这些组件,把SGMLReader里的Html.dtd复制到项目目录下,如果没有这个,它会根据doctype去网络上找dtd,然后新建baidu.py的文件,最后在项目属性的生成事件里写上如下代码,把这两个文件拷贝到目标目录里
- copy$(ProjectDir)\*.py$(TargetDir)
- copy$(ProjectDir)\*.dtd$(TargetDir)
在baidu.py里首先引用必要的.net程序集
- importclr,sys
- clr.AddReference("SgmlReaderDll")
- clr.AddReference("System.Xml")
完了导入我们需要的类
- fromSgmlimport*
- fromSystem.Netimport*
- fromSystem.IOimportTextReader,StreamReader
- fromSystem.Xmlimport*
- fromSystem.Text.UnicodeEncodingimportUTF8
利用SgmlReader写一个把html转换成xml的函数,注意SystemLiteral属性必须设置,否则就会去网上找dtd了,浪费时间
- deffromHtml(textReader):
- sgmlReader=SgmlReader()
- sgmlReader.SystemLiteral="html.dtd"
- sgmlReader.WhitespaceHandling=WhitespaceHandling.All
- sgmlReader.CaseFolding=CaseFolding.ToLower
- sgmlReader.InputStream=textReader
- doc=XmlDocument()
- doc.PreserveWhitespace=True
- doc.XmlResolver=None
- doc.Load(sgmlReader)
- returndoc
利用webrequest写一个支持cookie和网页编码的抓网页方法
- defgetWebData
- (url,method,data=None,cookie=None,encoding="UTF-8"):
- req=WebRequest.Create(url)
- req.Method=method
- ifcookie!=None:
- req.CookieContainer=cookie
- ifdata!=None:
- stream=req.GetRequestStream()
- stream.Write(data,0,data.Length)
- rsp=req.GetResponse()
- reader=StreamReader
- (rsp.GetResponseStream(),UTF8.GetEncoding(encoding))
- returnreader
写一个类来定义抓取结果,这个类不需要在c#项目里定义,到时候直接用c# 4.0的dynamic关键字就可以使用
- classPost:
- def__init__(self,hit,comments,title,link,author):
- self.hit=hit
- self.comments=comments
- self.title=title
- self.link=link
- self.author=author
定义主要工作的类,__init__大概相当于构造函数,我们传入编码参数,并初始化cookie容器和解析结果,[]是python里的列表,大约相当于c#的List
- classBaiDu:
- def__init__(self,encoding):
- self.cc=self.cc=CookieContainer()
- self.encoding=encoding
- self.posts=[]
接下来定义抓取方法,调用getWebData抓网页,然后用fromHtml转换成xml,剩下的就是xml操作,和.net里一样,一看便知
- defgetPosts(self,url):
- reader=getWebData
- (url,"GET",None,self.cc,self.encoding)
- doc=fromHtml(reader)
- trs=doc.SelectNodes
- ("html//table[@id='thread_list_table']/tbody/tr")
- self.parsePosts(trs)
- defparsePosts(self,trs):
- fortrintrs:
- tds=tr.SelectNodes("td")
- hit=tds[0].InnerText
- comments=tds[1].InnerText
- title=tds[2].ChildNodes[1].InnerText
- link=tds[2].ChildNodes[1].Attributes["href"]
- author=tds[3].InnerText
- post=Post(hit,comments,title,link,author)
- self.posts.append(post)
c#代码要创建一个脚本运行环境,设置允许调试,然后执行baidu.py,最后创建一个Baidu的类的实例,并用dynamic关键字引用这个实例
- Dictionaryoptions=newDictionary();
- options["Debug"]=true;
- ScriptEngineengine=Python.CreateEngine(options);
- ScriptScopescope=engine.ExecuteFile("baidu.py");
- dynamicbaidu=engine.Operations.Invoke(scope.GetVariable("BaiDu"),"GBK");
接下来调用BaiDu这个python类的方法获取网页抓取结果,然后输出就可以了
- baidu.getPosts("http://tieba.baidu.com/f?kw=seo");
- dynamicposts=baidu.posts;
- foreach(dynamicpostinposts)
- {
- Console.WriteLine("{0}
- (回复数:{1})(点击数:{2})[作者:{3}]",
- post.title,
- post.comments,
- post.hit,
- post.author);
- }
评论(0)