.NET輕鬆寫部落格園爬蟲
- 2019 年 10 月 3 日
- 筆記
.NET輕鬆寫部落格園爬蟲
爬蟲,是一種按照一定的規則,自動地抓取網站的程式或者腳本。.NET
寫爬蟲非常簡單,並能輕鬆優化性能。今天我將分享一段簡短的程式碼,爬出部落格園前200頁精華內容,然後通過微小的改動,將程式碼升級為多執行緒爬蟲,讓爬蟲速度提升數倍;最後將對爬到了內容進行一些有趣的分析。
本文演示的程式碼,可以從這裡下載:https://github.com/sdcb/blog-data/tree/master/2019/20190826-cnblogs-crawler-home
我的演示程式碼通過LINQPad
運行,可以在這裡找到最新的LINQPad
下載鏈接:https://www.linqpad.net/Download.aspx
這些程式碼同樣可以運行在Visual Studio
中。其中.Dump()
方法可以在Visual Studio
中搜索並安裝NuGet
包即可兼容:
Install-Package LINQPad
爬蟲的三要素
經過我「多年」的爬蟲騷操作的經驗,我認為爬蟲無非就是:
- 下載網站數據;
- 解析/保存網站數據;
- 分析數據與下個頁面之間的關係,以便繼續下載下個頁面數據;
下面我將通過程式碼演示這三點。
下載網站數據
換作以前,有WebRequest
/WebClient
/RestSharp
之類的選擇,但如今已經都被HttpClient
取代了,HttpClient
同時內置於.NET Framework 4.5
/netstandard 1.1
及以後的版本,不用安裝第三方包。
程式碼使用也非常簡單:
var client = new HttpClient(); string response = await client.DownloadStringAsync("https://www.cnblogs.com");
其中response
就是從部落格園下載的html
字元串。
解析網站數據
.NET
解析html
有多個包可供選擇,如HtmlAgilityPack
、CsQuery
等。但AngleSharp
由於其簡單好用、功能強大,已經也成為解析html
的不錯之選。
AngleSharp
是開源項目,Github
地址是:https://github.com/AngleSharp/AngleSharp。
近期還加入了.NET Foundation
(.NET基金會),官網地址是:https://anglesharp.github.io 。
使用AngleSharp
解析html
示例程式碼(在LINQPad
中,按Ctrl+Shift+P
快速安裝NuGet
包):
Install-Package AngleSharp Install-Package Newtonsoft.Json
使用程式碼如下:
var parser = new HtmlParser(); IHtmlDocument dom = parser.ParseDocument(@"<ul> <li> <a href=""cnblogs.com"">部落格園</a> <a href=""baidu.com"">百度</a> <a href=""google.com"">Google</a> </li> <ul>"); var data = dom.QuerySelectorAll("ul li a").Select(x => new { Link = x.GetAttribute("href"), Title = x.TextContent }).Dump();
運行效果:
Link | Title |
---|---|
cnblogs.com | 部落格園 |
baidu.com | 百度 |
google.com |
然後這些數據可以通過JSON
序列化,保存到桌面上:
File.WriteAllText(@"C:UserssdflyDesktopcnblogs.json", JsonConvert.SerializeObject(data));
在解析網頁數據時,可能還需要靈活運用正則表達式
,來抓取沒那麼直觀的資訊。
頁面與頁面之間的關係
我們找到部落格園的分頁器,打開F12
開發者工具,用滑鼠定位到分頁器:
如圖,注意到,每一個頁面按鈕,都對應了一個不同的鏈接地址,如第2頁,對應的的鏈接是:/sitehome/p/2
,第3頁,對應的是:/sitehome/p/3
。
部落格園首頁內容一共有200
頁,因此只需將在每一頁拼接一個$"/sitehome/p/{頁面數碼}"
即可。
程式碼與優化
根據上面的知識,可以輕鬆將部落格園首頁200頁數據爬出來:
var http = new HttpClient(); var parser = new HtmlParser(); for (var page = 1; page <= 200; ++page) { string pageData = await http.GetStringAsync($"https://www.cnblogs.com/sitehome/p/{page}"); IHtmlDocument doc = await parser.ParseDocumentAsync(pageData); doc.QuerySelectorAll(".post_item").Select(tag => new { Title = tag.QuerySelector(".titlelnk").TextContent, Page = page, UserName = tag.QuerySelector(".post_item_foot .lightblue").TextContent, PublishTime = DateTime.Parse(Regex.Match(tag.QuerySelector(".post_item_foot").ChildNodes[2].TextContent, @"(d{4}-d{2}-d{2}sd{2}:d{2})", RegexOptions.None).Value), CommentCount = int.Parse(tag.QuerySelector(".post_item_foot .article_comment").TextContent.Trim()[3..^1]), ViewCount = int.Parse(tag.QuerySelector(".post_item_foot .article_view").TextContent[3..^1]), BriefContent = tag.QuerySelector(".post_item_summary").TextContent.Trim(), }).Dump(page); }
運行結果如下:
多執行緒優化
這個爬蟲將200
頁數據全部爬完,根據我的網速,需要76
秒,任務管理器顯示如下(下載速度只有每秒1.7 Mbps
)
在.NET
/C#
中,只需對此程式碼的for
循環修改為LINQ
,然後而加以使用Parallel LINQ
,即可將程式碼並行化:
Enumerable.Range(1, 200) // for循環轉換為LINQ .AsParallel() // 將LINQ並行化 .AsOrdered() // 按順序保存結果(注意並非按順序執行) .SelectMany(page => { return Task.Run(async() => // 非非同步程式碼使用async/await,需要包一層Task { string pageData = await http.GetStringAsync($"https://www.cnblogs.com/sitehome/p/{page}".Dump()); IHtmlDocument doc = await parser.ParseDocumentAsync(pageData); return doc.QuerySelectorAll(".post_item").Select(tag => new { Title = tag.QuerySelector(".titlelnk").TextContent, Page = page, UserName = tag.QuerySelector(".post_item_foot .lightblue").TextContent, PublishTime = DateTime.Parse(Regex.Match(tag.QuerySelector(".post_item_foot").ChildNodes[2].TextContent, @"(d{4}-d{2}-d{2}sd{2}:d{2})", RegexOptions.None).Value), CommentCount = int.Parse(tag.QuerySelector(".post_item_foot .article_comment").TextContent.Trim()[3..^1]), ViewCount = int.Parse(tag.QuerySelector(".post_item_foot .article_view").TextContent[3..^1]), BriefContent = tag.QuerySelector(".post_item_summary").TextContent.Trim(), }); }).GetAwaiter().GetResult(); // 等待Task執行完畢 })
通過這個非常簡單的優化,在我的電腦上,即可將運行時間降低為14.915
秒,速度快了5倍!同時任務管理器顯示網路下載流量為:
數據簡單分析
現在我們得到了部落格園首頁部落格簡要數據,我將其保存到桌面的一個json
文件中(大家也可以試著保存為其它格式,如資料庫中)。當然少不了分析一番。使用LINQPad
,可以很輕鬆地分析這些數據,並生成圖表。
分析基礎
void Main() { var data = JsonConvert.DeserializeObject<List<CnblogsItem>>( File.ReadAllText(@"C:UserssdflyDesktopcnblogs.json")); } class CnblogsItem { public string TItle { get; set; } public int Page { get; set; } public string UserName { get; set; } public DateTime PublishTime { get; set; } public int CommentCount { get; set; } public int ViewCount { get; set; } public string BriefContent { get; set; } }
我創建了一個CnblogsItem
的類,用來反序列號桌面上json
文件的數據。返序列化完成後,這些數據保存在data
變數中。
什麼時間發文章瀏覽量最高?
Util.Chart(data .GroupBy(x => x.PublishTime.Hour) .Select(x => new { Hour = x.Key, ViewCount = 1.0 * x.Sum(v => v.ViewCount) }) .OrderByDescending(x => x.Hour), x => x.Hour, y => y.ViewCount).Dump();
結果:
可見,每天上午9點發文章瀏覽量最高,凌晨3-4點發文章瀏覽量最低(誰會在晚上3-4點爬起來看東西呢?)
星期幾發的文章多?
Util.Chart(data .GroupBy(x => x.PublishTime.DayOfWeek) .Select(x => new { WeekDay = x.Key, ArticleCount = x.Count() }) .OrderBy(x => x.WeekDay), x => x.WeekDay.ToString(), y => y.ArticleCount).Dump();
結果:
可見:星期一、二、三的文章最多,星期四、五逐漸冷淡,星期六、星期日最少。——但星期六比星期日又多一點。(是因為996
造成的嗎?)
哪位大佬發文最多(取前9名)?
Util.Chart(data .GroupBy(x => x.UserName) .Select(x => new { UserName = x.Key, ArticleCount = x.Count() }) .OrderByDescending(x => x.ArticleCount) .Take(9), x => x.UserName, y => y.ArticleCount).Dump();
結果:
可見,大佬周國通
竟然在前200頁部落格中,獨佔54篇,我點開了他的部落格(https://www.cnblogs.com/tylerzhou/)看了一下,竟然都有相當的品質——絕無放水可言,深入講了許多.NET
的測試系列教程,確實是大佬!
結語
實際應用的爬蟲可能不像部落格園這麼簡單,爬蟲如果深入,可以遇到很多很多非常有意思的情況。
今天謹希望通過這個簡單的部落格園爬蟲,讓大家多多享受寫.NET
/C#
程式碼的樂趣?。
請關注我的微信公眾號:【DotNet騷操作】,