乐趣区

关于c#:手把手教你爬取优酷电影信息2

上一章节中咱们实现了对优酷单页面的爬取,简略进行回顾一下,应用 HtmlAgilityPack 库,对爬虫的爬取一共分为三步

  • 爬虫步骤

    • 加载页面
    • 解析数据
    • 保留数据

继第一篇文档后的爬虫进阶,本文章次要是对上一篇的进阶。实现的性能次要为:
1、爬取电影类别列表
2、循环每个类别的电影信息,对每个类别的信息分页爬取
3、爬取的数据保留到数据库中

一、爬取电影类别列表

应用 Chrome 浏览器,F12,找到以后地位,失去以后地位的 Xpath。咱们须要的数据是电影的类别编码和电影类别名称。

规定剖析:
XPATH 门路为 “//*[@id=’filterPanel’]/div/ul/li/a”)
类别编码为 A 标签 Href 门路的内容,咱们对其进行截取
类别名称为 A 标签 InnerTest,咱们对其进行截取

代码示例

     // 加载 web 内容
         private static readonly string _url = "http://list.youku.com/category/video/c_0.html";

        /// <summary>
        ///     失去所有的类别
        /// </summary>
        public static List<VideoType> GetVideoTypes()
        {
            // 加载 web 内容
            var web = new HtmlWeb();
            var doc = web.Load(_url);

            // 内容解析 - 取得所有的类别
            var allTypes = doc.DocumentNode.SelectNodes("//*[@id='filterPanel']/div/ul/li/a").ToList();

            // 类别列表中去掉【全副】这个选项
            var typeResults = allTypes.Where((u, i) => {return i > 0;}).ToList();

            var reList = new List<VideoType>();
            foreach (var node in typeResults)
            {var href = node.Attributes["href"].Value;
                reList.Add(new VideoType
                {Code = href.Substring(href.LastIndexOf("/") + 1, href.LastIndexOf(".") - href.LastIndexOf("/") - 1),
                    Name = node.InnerText
                });
            }

            return reList;
        }

二、爬取每个类别的总分页数

code 为电影类别编码
页面规定 $”http://list.youku.com/category/show/{code}.html”
依据页面规定进行爬取:

        /// <summary>
        ///     失去以后类别的总页数
        /// </summary>
        public static int GetPageCountByCode(string code)
        {var web = new HtmlWeb();
            var doc = web.Load($"http://list.youku.com/category/show/{code}.html");

            // 分页列表
            var pageList = doc.DocumentNode.CssSelect(".yk-pages li").ToList();
            // 失去倒数第二项
            var lastsecond = pageList[pageList.Count - 2];
            return Convert.ToInt32(lastsecond.InnerText);
        }

三、依照页码失去每个电影类别的内容

依据分页规定剖析出分页后的地址为
code 为编码 pageIndex 为第几页
页面规定:http://list.youku.com/categor…{code}_s_1_d_1_p_{pageIndex}.html
依据页面规定进行爬取:

    /// <summary>
        ///     失去以后类别的内容
        /// </summary>
        public static List<VideoContent> GetContentsByCode(string code, int pageIndex)
        {var web = new HtmlWeb();
            var doc = web.Load($"http://list.youku.com/category/show/{code}_s_1_d_1_p_{pageIndex}.html");

            var returnLi = new List<VideoContent>();
            var contents = doc.DocumentNode.CssSelect(".yk-col4").ToList();

            foreach (var node in contents)
                returnLi.Add(new VideoContent
                {PageIndex = pageIndex.ToString(),
                    Code = code,
                    Title = node.CssSelect(".info-list .title a").FirstOrDefault()?.InnerText,
                    Hits = node.CssSelect(".info-list li").LastOrDefault()?.InnerText,
                    Href = node.CssSelect(".info-list .title a").FirstOrDefault()?.Attributes["href"].Value,
                    ImgHref = node.CssSelect(".p-thumb img").FirstOrDefault()?.Attributes["Src"].Value
                });

            return returnLi;
        }

四、测试爬取的后果


        /// <summary>
        ///     打印失去的内容
        /// </summary>
        public static void PrintContent()
        {
            var count = 0;
            foreach (var node in GetVideoTypes())
            {var resultLi = new List<VideoContent>();
                // 失去以后类别总分页数
                var pageCount = GetPageCountByCode(node.Code);
                // 遍历分页失去内容
                for (var i = 1; i <= pageCount; i++) resultLi.AddRange(GetContentsByCode(node.Code, i));
                Console.WriteLine($"编码{node.Code} \t 页数{pageCount} \t 总个数{resultLi.Count}");
                count += resultLi.Count;
            }

            Console.WriteLine($"总个数为{count}");
        }

代码下载地址:

https://github.com/happlyfox/FoxCrawler/tree/master/%E5%AD%A6%E4%B9%A0%E7%A4%BA%E4%BE%8B/YouKuCrawler/YouKuCrawlerAsync
退出移动版