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。
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
以上所述就是小编给大家介绍的《如何使用 C# 爬虫获得专栏博客更新排行》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
- 如何使用 C# 爬虫获得专栏博客更新排行
- 2分钟获得HTTPS证书
- 微软Azure宣布获得OpenBSD支持
- Python 获得命令行参数的方法
- Docker容器如何获得自己的名字
- golang中如何获得函数的函数名
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。
