如何使用 C# 爬虫获得专栏博客更新排行

栏目: C# · 发布时间: 7年前

内容简介:如何使用 C# 爬虫获得专栏博客更新排行

昨天,梦姐问我们,她存在一个任务,找到 关注数排行100 和 浏览量排行100 的专栏博客,在2017年还有更新的专栏。

梦姐说他要出去一趟,M大神在吃饭,于是我估算时间,只有半个钟。

整理一下:半个钟时间,找到两个表格中,在2017年更新的专栏。这就是需求。

我开始分开需求,第一步,读取数据,读取两个表的数据。第二步获取博客更新时间,博客更新时间就是最近的文章的发布时间。第三步,把结果写到文件里。

开始因为xlsx的读取问题卡了我一下,我计算了,读取excel的方法,我需要20分钟写完,而把excel转换为csv读取,我只要1分钟,于是我就把excel格式换为csv。

到这里,预处理就做完了。

我需要定义一个数据结构,用来存储数据。

存储从表格读取到的数据,需要看一下表格存在哪些数据。

如何使用 C# 爬虫获得专栏博客更新排行

于是我定义一个类

因为不知道专栏作家叫什么,于是我就把这个类叫专家

class Proficient 
    {
        /// <summary>
        /// 标题
        /// </summary>
        public string Title
        {
            get; set;
        }
        /// <summary>
        /// 网址
        /// </summary>
        public string Url
        {
            get; set;
        }

        /// <summary>
        /// 最后更新时间
        /// </summary>
        public string Date
        {
            get; set;
        }
    }

需要读取的数据有 标题 和 网址,时间是需要进行计算。标题的作用是去重,网站是输入。但是表格还有其他内容,于是随意添加两个属性把他放进去。

接下来,如何从一个博客专栏网站读取到最新更新的博客?

我这里使用 HtmlAgilityPack 帮助解析网页。

HtmlAgilityPack 是一个强大的东西,使用的方法是从nuget搜索一下,就可以得到他。

安装进去,就可以使用了。

于是我写了一个函数 static void GetDate(Proficient proficient) 用于读取时间。

获取网址: var url = proficient.Url;

获取到了网址,就可以获取网页。

获取网页的方法请看代码

HtmlWeb web = new HtmlWeb();
            HtmlDocument doc = web.Load(url);

通过查看csdn的代码,可以知道存放博客的是 detail_list

如何使用 C# 爬虫获得专栏博客更新排行

如何从 HtmlAgilityPack 获取指定的 class ?

因为有xpath的存在,使用 xpath 就可以指定 class ,xpath 是和正则差不多的东西。

关于 xpath ,请看 C#+HtmlAgilityPack+XPath带你采集数据(以采集天气数据为例子) - 数据之巅 - 博客园

看到detail_list前面是 ul 所以 xpath可以这样写

var temp = doc.DocumentNode.SelectNodes("//ul[@class='detail_list']/li");

其中的 // 就是从网页任意位置

ul 就是标签,指定哪个标签,之后就是标签是否存在属性,这里指定属性是 class ,看起来很简单。那么后面的 /li 就是路径,其实知道一个元素在哪,可以直接用路径来写。

但是我发现,其实找到 detail_b 更快

下面就是专栏的代码,可以看到时间使用的 class 是 detail_b

<ul class="detail_list">
                <li>
                  <h4><a href="http://blog.csdn.net/lindexi_gd/article/details/52041944" target="_blank">win10 uwp 入门</a></h4>
                  <p class="detail_p">UWP是什么我在这里就不说,本文主要是介绍如何入门UWP,也是合并我写的博客。</p>
                  <div class="detail_b"><span>2016-07-27 08:55</span>
                    <div class="fa fa-eye"></div><em>2752</em>
                  </div>
                </li>

于是把代码改为

temp = doc.SelectNodes("//div[@class='detail_b']");

和上面一样,只是这里使用的是 div ,接下来就是拿到时间。

去掉html之后的文本就是时间

于是拿到第一个的时间就是博客的更新时间了,可能有些大神 排序 不是按照时间排的,但是这里不处理。

如何获取文本?请看代码

proficient.Date = temp.Elements().FirstOrDefault().InnerText;

这样就是获取到了日期了,因为存在一些时间是 昨天 9:00 的,我就没转换了

日期获取完成,就是写入文件,写入的文件很简单,直接放代码

private static void Write(List<Proficient> proficient)
        {
            string file = "E:\\专栏排行\\csdn排行100.csv";
            using (StreamWriter stream=new StreamWriter(new FileStream(file,FileMode.Create),Encoding.GetEncoding("gbk")))
            {
                foreach (var temp in proficient)
                {
                    stream.WriteLine(temp.Title+","+temp.Url+","+temp.Date+","+temp.Folpv+","+temp.Num);
                }
            }
        }

需要改进的:

使用命令行指定读取文件,判断博客最新的日期,不可以使用第一篇博客。

如果大家有写质量高的文章,想推荐到csdn首页,可以联系我哦……我会在梦姐面前多多美言

参见: 使用HtmlAgilityPack XPath 表达式抓取博客园数据 - 晓风拂月 - 博客园 Html Agility Pack基础类介绍及运用 - itmuse - 博客园

如何使用 C# 爬虫获得专栏博客更新排行

本作品采用 知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议 进行许可。欢迎转载、使用、重新发布,但务必保留文章署名 林德熙 (包含链接: http://blog.csdn.net/lindexi_gd ),不得用于商业目的,基于本文修改后的作品务必以相同的许可发布。如有任何疑问,请与我 联系

以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

创客

创客

克里斯·安德森 / 萧潇 / 中信出版社 / 2012-12 / 45.00元

★《长尾理论》、《免费》作者克里斯•安德森最新作品 ★ 创客运动,一场即将到来的革命 ★ 编辑推荐: 这是一场即将到来的革命。 这是一个创客的时代,他们引领科技行业走进了一个新的方向,即个体制造时代的到来。运用互联网和最新的工业技术进行创造,创客运动发出了最强音。 如果说《第三次工业革命》一书的核心是互联网与新能源融合在一起所引发的工业变革。那么《创客》一书的核心则是......一起来看看 《创客》 这本书的介绍吧!

随机密码生成器
随机密码生成器

多种字符组合密码

Base64 编码/解码
Base64 编码/解码

Base64 编码/解码

html转js在线工具
html转js在线工具

html转js在线工具