c#爬虫爬取京东的商品信息
前言
在一个小项目中,需要用到京东的所有商品ID,因此就用c#写了个简单的爬虫。
在解析HTML中没有使用正则表达式,而是借助开源项目HtmlAgilityPack解析HTML。
下面话不多说了,来一起看看详细的介绍吧
一、下载网页HTML
首先我们写一个公共方法用来下载网页的HTML。
在写下载HTML方法之前,我们需要去查看京东网页请求头的相关信息,在发送请求时需要用到。
publicstaticstringDownloadHtml(stringurl,Encodingencode) { stringhtml=string.Empty; try { HttpWebRequestrequest=WebRequest.Create(url)asHttpWebRequest; request.Timeout=30*1000; request.UserAgent="Mozilla/5.0(WindowsNT10.0;WOW64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/51.0.2704.106Safari/537.36"; request.ContentType="text/html;charset=utf-8"; using(HttpWebResponseresponse=request.GetResponse()asHttpWebResponse) { if(response.StatusCode==HttpStatusCode.OK) { try { StreamReadersr=newStreamReader(response.GetResponseStream(),encode); html=sr.ReadToEnd();//读取数据 sr.Close(); } catch(Exceptionex) { html=null; } } } } catch(System.Net.WebExceptionex) { html=null; } catch(Exceptionex) { html=null; } returnhtml; }
如上代码所示,我们使用WebRequest来获取网页信息,在发送请求之前,需要先设置和京东页面一样的请求头。
以上设置的信息比较简单,但能够正常发送请求,我们也可以模拟浏览器设置cookie等等信息,
二、解析HTML
获取所有商品的信息分为两个步骤
(1)根据商品分类页面获取所有商品分类的URL
(2)根据商品分类URL获取每个商品
1、获取商品分类
try { stringhtml=HttpHelper.DownloadUrl(@"http://www.jd.com/allSort.aspx"); HtmlDocumentdoc=newHtmlDocument(); doc.LoadHtml(html); stringgoodClass=@"//*[@class='items']/dl/dd"; HtmlNodeCollectionnoneNodeList=doc.DocumentNode.SelectNodes(goodClass); foreach(varnodeinnoneNodeList) { HtmlDocumentdocChild=newHtmlDocument(); docChild.LoadHtml(node.OuterHtml); stringurlPath="/dd/a"; HtmlNodeCollectionlist=docChild.DocumentNode.SelectNodes(urlPath); foreach(varlinlist) { HtmlDocumentdocChild1=newHtmlDocument(); docChild1.LoadHtml(l.OuterHtml); varsortUrl=l.Attributes["href"].Value; if(!string.IsNullOrWhiteSpace(sortUrl)&&sortUrl.Contains("cat=")) { InsertSort("https:"+sortUrl); } } } } catch(Exceptionex) { Console.WriteLine(ex.Message); }
上面的代码中使用到了HtmlAgilityPack来解析HTML信息,这是.NET的开源项目,开源在nuget包中下载。
(1)下载http://www.jd.com/allSort.aspx的html页,然后加载到HtmlDocument
(2)选择节点,获取每个大类的节点集合
(3)根据每个大类的节点,获取每个小类的节点信息,然后获取到分类地址
节点中也包含了其它很多信息,可以根据自己的需求去获取对应的信息
2、获取具体商品信息
(1)首先根据商品分类加载分类信息,获取到当前分类每个页面的链接
下载HTML之后,选择节点,可以将HTML格式化之后查看每个页面的url地址和拼接规则,然后借助HtmlAgilityPack
来筛选需要的节点,将每个页面的url分离出来
try { stringhtml=HttpHelper.DownloadUrl(@"https://list.jd.com/list.html?cat=1620,11158,11964"); HtmlDocumentproductDoc=newHtmlDocument(); productDoc.LoadHtml(html); HtmlNodepageNode=productDoc.DocumentNode.SelectSingleNode(@"//*[@id='J_topPage']/span/i"); if(pageNode!=null) { intpageNum=Convert.ToInt32(pageNode.InnerText); for(inti=1;iproDuctInfo=GetPageProduct(pageUrl); } catch(Exceptionex) { Console.WriteLine(ex.Message); } } } } catch(Exceptionex) { Console.WriteLine(ex.Message); }
(2)根据每个页面的链接,获取当前页面的商品信息
下载每个页面的所有商品信息,需要获取的商品信息在页面中都能找到
首先我们获取到每个商品的节点集合,获取到一个商品的节点信息之后,分析html数据,
找到我们需要的商品的信息所在的位置,然后将需要的信息分离出来。
下面的代码中我获取到的商品的id和title还有价格。
ListproductInfoList=newList (); try { stringhtml=HttpHelper.DownloadUrl(url); HtmlDocumentdoc=newHtmlDocument(); doc.LoadHtml(html); HtmlNodeCollectionproductNodeList=doc.DocumentNode.SelectNodes("//*[@id='plist']/ul/li"); if(productNodeList==null||productNodeList.Count==0) { returnproductInfoList; } foreach(varnodeinproductNodeList) { HtmlDocumentdocChild=newHtmlDocument(); docChild.LoadHtml(node.OuterHtml); ProductInfoproductInfo=newProductInfo() { CategoryId=category.Id }; HtmlNodeurlNode=docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a"); if(urlNode==null) { continue; } stringnewUrl=urlNode.Attributes["href"].Value; newUrl=!newUrl.StartsWith("http:")?"http:"+newUrl:newUrl; stringsId=Path.GetFileName(newUrl).Replace(".html",""); productInfo.ProductId=long.Parse(sId); HtmlNodetitleNode=docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a/em"); if(titleNode==null) { continue; } productInfo.Title=titleNode.InnerText; HtmlNodepriceNode=docChild.DocumentNode.SelectSingleNode("//*[@class='p-price']/strong/i"); if(priceNode==null) { continue; } else { } productInfoList.Add(productInfo); } //批量获取价格 GetGoodsPrice(productInfoList); } catch(Exceptionex) { } returnproductInfoList;
商品的图片地址和价格信息的获取需要仔细分析html中的数据,然后找到规律,比如价格在每个节点中就不能单独获取。
以下为批量获取价格的代码:
try { StringBuildersb=newStringBuilder(); sb.AppendFormat("http://p.3.cn/prices/mgets?callback=jQuery1069298&type=1&area=1_72_4137_0&skuIds={0}&pdbp=0&pdtk=&pdpin=&pduid=1945966343&_=1469022843655",string.Join("%2C",productInfoList.Select(c=>string.Format("J_{0}",c.ProductId)))); stringhtml=HttpHelper.DownloadUrl(sb.ToString()); if(string.IsNullOrWhiteSpace(html)) { returnproductInfoList; } html=html.Substring(html.IndexOf("(")+1); html=html.Substring(0,html.LastIndexOf(")")); ListpriceList=JsonConvert.DeserializeObject >(html); productInfoList.ForEach(c=>c.Price=priceList.FirstOrDefault(p=>p.id.Equals(string.Format("J_{0}",c.ProductId))).p); } catch(Exceptionex) { Console.WriteLine(ex.Message); } returnproductInfoList;
以上就是一个简单的爬取京东商品信息的爬虫,也可以根据自己的需求去解析更多的数据出来。
总结
以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,如果有疑问大家可以留言交流,谢谢大家对毛票票的支持。