C# NetCore使用AngleSharp爬取周公解梦数据

这一章详细讲解编码过程

那么接下来就是码代码了,GO

新建NetCore WebApi项目 空的就可以

 

 NuGet安装

Install-Package AngleSharp  

 或者界面安装

 

using。。

默认本地装有mysql或者有远程开放的mysql数据库,如何安装mysql,园区有很多文章都详细说明。

配置文件添加mysql连接 appsettings.json

{
  "Logging": {
    "LogLevel": {
      "Default": "Warning"
    }
  },
  "AllowedHosts": "*",
  "ConnectionStrings": {
    "MySql": "server=localhost;user id=root;pwd=root;database=dreaminfo;"
  }
}

 

新建实体类,这里由于比较简单,所以创建到一起,实际工作中最好不要这样,可读性较差

using System;
using System.Collections.Generic;
using System.ComponentModel.DataAnnotations;
using System.ComponentModel.DataAnnotations.Schema;
using System.Linq;
using System.Threading.Tasks;

namespace WebAPI.Models
{
    public class Dream
    {
        [Key, DatabaseGenerated(DatabaseGeneratedOption.Identity)]
        public int Id { get; set; }
        public string Name { get; set; }
        public string Url { get; set; }
        public string Summary { get; set; }
        public string CateName { get; set; }
        public DateTime? CreateTime { get; set; }
    }
    public class DreamInfo
    {
        [Key, DatabaseGenerated(DatabaseGeneratedOption.Identity)]
        public int Id { get; set; }
        public int FkDreamId { get; set; }
        public string DreamName { get; set; }
        public string Name { get; set; }
        public string Content { get; set; }
        public DateTime? CreateTime { get; set; }
    }
}

 

安装,mysql的ef支持

Install-Package Pomelo.EntityFrameworkCore.MySql

 

 

创建DBContext

using Microsoft.EntityFrameworkCore;
using System;
using System.Collections.Generic;
using System.Linq;
using System.Threading.Tasks;

namespace WebAPI.Models
{
    public class MainDBContext : DbContext
    {
        public MainDBContext(DbContextOptions<MainDBContext> options) : base(options)
        {

        }
        private string connection;
        public MainDBContext(string connection) => this.connection = connection;
        protected override void OnConfiguring(DbContextOptionsBuilder optionsBuilder)
        {
            if (!string.IsNullOrWhiteSpace(connection))
                optionsBuilder.UseMySql(connection);
        }
        public DbSet<Dream> Dream { get; set; }
        public DbSet<DreamInfo> DreamInfo { get; set; }
    }
}

 配置服务

 public void ConfigureServices(IServiceCollection services)
        {
            var mysqlCon = Configuration.GetSection("ConnectionStrings:MySql").Value;
            services.AddDbContext<MainDBContext>(l => l.UseMySql(mysqlCon, b => b.MigrationsAssembly("Dream"))); //跳转查看
            services.AddMvc().SetCompatibilityVersion(CompatibilityVersion.Version_2_1);
        }

然后是数据库迁移 ,这里使用的是codefirst,所以创建好实体类之后在实体类及EF存在的程序集执行Add-Migration命令,我这里做的比较简单,有的如果是按照框架来设计,可能实体类被设计在单独的类库里

这里是直接在webapi里面

执行之后会多出来迁移的的文件,然后执行Update-Database就可以生成数据库拉。

后期如果数据库有变更还是同样的操作

工具》打开Nuget包管理器》程序包管理控制台 选中EF所在类库

Add-Migration Update-20181123
//然后等待变更文件生成之后执行
Update-Database

然后我们看下数据库

我们刷新下,数据库和对应的表都有了。

 

获取页面内容

新建一个空的API控制器DreamController

然后创建获取类别数据的方法

        /// <summary>
        /// 定义一个获取列表数据的方法,需要传递一个列表页面的url地址
        /// </summary>
        /// <param name="rul"></param>
        public void GetData(string url)
        {
            //这个跟我之前使用的浏览器驱动类似,也是通过选择器和xpath来爬取数据
            //区别在于那个是模拟真人操作,这个是通过通过HttpWebRequest直接请求
            var html = GetHtml(url);
            //创建一个(可重用)解析器前端
            var parser = new HtmlParser();
            var document = parser.Parse(html);
            //找到一个页面有多少个dream信息
            var mengList = document.QuerySelectorAll("#list > div.main > div.l-item > ul > li");
            //循环获取梦的信息
            for (var i = 0; i < mengList.Length; i++)
            {
                var meng = new Dream();
                meng.CateName = "人物";
                //名称
                meng.Name = mengList[i].QuerySelector("h3 > a").TextContent;
                //简介
                meng.Summary = mengList[i].QuerySelector("p").TextContent;
                //连接
                meng.Url = mengList[i].QuerySelector("h3 > a").GetAttribute("href");
                meng.CreateTime = DateTime.Now;
                _context.Dream.Add(meng);
                _context.SaveChanges();//可以单个保存,也可以获取当前页数据之后保存一次,可优化的点有很多,这里不再详细描述
            }
        }

 

但是这里获取的都是单页的数据,我们继续上一章说的,使用选择器里面的.next来寻找翻页按钮附带的连接

然后看看最后一页是什么样式

 

发现最后一页就没有下一页样式了,就获取不到值了,好的 那么我们开始翻页

至于翻页 还有第二种思路,就是直接获取这种类别下的最后一页的页码,然后循环就行了,似乎比较简单,我们就用这一种

完善后的方法

 /// <summary>
        /// 定义一个获取列表数据的方法,需要传递一个列表页面的url地址
        /// </summary>
        /// <param name="rul"></param>
        public void GetData(string url, int pageIndex)
        {
            var thisUrl = url + pageIndex + ".html";
            var html = GetHtml(thisUrl);
            //创建一个(可重用)解析器前端
            var parser = new HtmlParser();
            var document = parser.Parse(html);
            var mengList = document.QuerySelectorAll("#list > div.main > div.l-item > ul > li");
            //#list > div.main > div.pagelist > a.end
            //获取最末页数据
            if (!PageEnd.HasValue)
            {
                var pageEnd = document.QuerySelector("#list > div.main > div.pagelist > a.end")?.TextContent;
                PageEnd = Convert.ToInt32(pageEnd);
            }
            var list = new List<Dream>();
            for (var i = 0; i < mengList.Length; i++)
            {
                var meng = new Dream();
                meng.CateName = "其他";
                //名称
                meng.Name = mengList[i].QuerySelector("h3 > a").TextContent;
                //简介
                meng.Summary = mengList[i].QuerySelector("p").TextContent;
                //连接
                meng.Url = mengList[i].QuerySelector("h3 > a").GetAttribute("href");
                meng.CreateTime = DateTime.Now;
                _context.Dream.Add(meng);
                _context.SaveChanges();
            }
            //翻页记录页码
            pageIndex++;
            if (pageIndex <= Convert.ToInt32(PageEnd))
            {
                Console.WriteLine(pageIndex + "/" + PageEnd);
                //翻页完之前一直抓取
                GetData(url, pageIndex);
            }
        }

 

定义接口,输出一下看看获取了多少页的数据

PageEnd是在控制器里面定义的

   

 public class DreamController : ControllerBase
    {
        static int? PageEnd = null;
       //other code

 

 [HttpGet]
        public async Task<IActionResult> GetMengXinfo()
        {
            GetData("http://www.xzw.com/jiemeng/lib/renwu/", 1);
            return Ok(PageEnd);
        }

调试走一波

 

 

 可以看到这里数据其实已经拿到了,那我们就开始往数据库保存

由于是演示,我们找一个数据量较少的分类来获取 使用“其他”分类获取,调用接口,看到返回值是45

这个跟我们找到对应的数据是一样的

说明数据是ok的,我们看下数据库,dream表已经有数据了

 

到这里 分类数据就获取到了,其他几个分类 可以使用一个数组,循环数组拼连接获取,也可以放到后台任务慢慢执行,比如Hangfire

详细信息获取

详细信息的页面我们其实是有的,就是dream表里面的url字段,拼接上domain之后就成了详细页面的连接,我们又可以使用AngleSharp来获取数据拉。。

其实AngleSharp是对获取到的文档进行解析,里面构建了很多C#和js习惯的语法,比如 

 

 document.QuerySelector(选择器)//选择器查询单个符合条件的数据

 document.QuerySelectorAll(“#list > div.main > div.l-item > ul > li”);获取复合条件的元素集合

 获取详情页面内容,并给实体对象赋值,这里有很多可以试探的方法,大家可以尝试一下,我这个只是简单的为了完成我想要的功能。

  /// <summary>
        /// 获取详情页的页面解析
        /// </summary>
        /// <param name="dreamId"></param>
        /// <param name="url"></param>
        public void GetDetailData(int dreamId, string url)
        {
            var html = GetHtml(url);
            var parser = new HtmlParser();
            var document = parser.Parse(html);
            //#wraper > div.main-wrap > div.pleft.fl > div.viewbox.box > div.sbody
            var sbody = document.QuerySelector("#wraper > div.main-wrap > div.pleft.fl > div.viewbox.box > div.sbody");
            var dllist = sbody.QuerySelectorAll("dl");
            var title = sbody.QuerySelector("h2").TextContent;//标题
            if (dllist.Length > 0)
            {
                foreach (var detail in dllist)
                {
                    //#wraper > div.main-wrap > div.pleft.fl > div.viewbox.box > div.sbody > dl:nth-child(4) > dt > strong
                    var info = new DreamInfo();
                    info.FkDreamId = dreamId;
                    info.DreamName = title;
                    info.Name = detail.QuerySelector("dt > strong").TextContent;
                    info.Content = detail.QuerySelector("dd").TextContent; ;
                    info.CreateTime = DateTime.Now;
                    _context.DreamInfo.Add(info);
                    _context.SaveChanges();
                }

            }
        }

 

 定义接口

[Route("detail")]
        [HttpGet]
        public async Task<IActionResult> GetDreamInfo()
        {
            var domain = "http://www.xzw.com";
            //查询出其他分类的梦数据来解析详细内容
            var dreamList = _context.Dream.Where(l => l.CateName == "其他").ToList();
            foreach (var dream in dreamList)
            {
                GetDetailData(dream.Id, domain + dream.Url);
            }
            return Ok(PageEnd);
        }

 

 执行接口https://localhost:44329/api/dream/detail

这里不展示调试信息了,怕被说水内容

然后看数据库dreaminfo也有了数据

 

找到对应页面 

 

 

 到这里,数据基本都可以获取到了,其他分类可以做计划任务来获取数据

 

总结

  对自己感兴趣的东西,可能下决心投入的时间会更长一点,共勉。

  排版较乱可能影响阅读,不过内容还是能看到的。。

  GitHub:https://github.com/ermpark/dream.git