https://github.com/happlyfox/FoxCrawler

一、加載網(wǎng)頁結構

Html Agility Pack封裝了加載內容的方法，使doc.Load(arguments),具有多種重載方式，以下列舉官網(wǎng)的三個實例

/// <summary>
/// 加載網(wǎng)頁結構
/// </summary>
private static void LoadDocment()
{
      // 從文件中加載
      var docFile = new HtmlDocument();
      docFile.Load("file path");

      // 從字符串中加載
      var docHtml = new HtmlDocument();
      docHtml.LoadHtml("html");

      // 從網(wǎng)站中加載
      var url = "http://html-agility-pack.net/";
      var web = new HtmlWeb();
      var docWeb = web.Load(url);
}

二、解析網(wǎng)頁結構，轉變?yōu)榉闲枨蟮臄?shù)據(jù)實體

   /// <summary>
    /// 解析網(wǎng)頁結構
    /// </summary>
    private static YouKu ParsingWebStructure()
    {
        /*選用優(yōu)酷片庫列表
         地址：http://list.youku.com/category/show/c_96_s_1_d_1_p_{index}.html 
        */

        //首先加載web內容
        var url = "http://list.youku.com/category/show/c_96_s_1_d_1_p_1.html";
        var web = new HtmlWeb();
        var doc = web.Load(url);

        //輸出WebHtml內容
        //Console.WriteLine(doc.DocumentNode.InnerHtml);

        /* HtmlAgilityPack 解析方式官網(wǎng)提供的有倆種示例*/
        //1、 With XPath 
        var value = doc.DocumentNode.SelectSingleNode("http://*[@id='total_videonum']").Attributes["id"].Value;
        var resultCount = doc.DocumentNode.SelectSingleNode("http://*[@id='total_videonum']").InnerText;

        Console.WriteLine($"id='{value}' 篩選結果:{resultCount}個");
        // 2、With LINQ 
        var linqNodes = doc.DocumentNode.SelectSingleNode("http://*[@id='filterPanel']/div[2]/ul").Descendants("li").ToList();

        Console.WriteLine("電影產(chǎn)地:");
        List<string> videoCountry = new List<string>();
        foreach (var node in linqNodes)
        {
            videoCountry.Add(node.InnerText);
            Console.Write($"{node.InnerText} \t");
        }

        //3、使用ScrapySharp進行Css定位
        var cssNodes = doc.DocumentNode.CssSelect("#filterPanel > div > label");
        Console.WriteLine();

        List<string> videoType = new List<string>();
        foreach (var node in cssNodes)
        {
            videoType.Add(node.InnerText);
            Console.Write($"{node.InnerText} \t");
        }

        //構造實體
        YouKu model = new YouKu()
        {
            id = value,
            videoNum = int.Parse(resultCount),
            videoCountry = videoCountry,
            videoType = videoType
        };

        return model;
    }


public class YouKu
{
    public string id { get; set; }

    public int videoNum { get; set; }

    public List<string> videoCountry { get; set; }
    public List<string> videoType { get; set; }
}

三、保存數(shù)據(jù)實體，轉變?yōu)榉闲枨蟮臄?shù)據(jù)實體

    /// <summary>
    /// 保存數(shù)據(jù)實體
    /// </summary>
    private static void SavaData()
    {
        var model = ParsingWebStructure();
        var path = "youku.txt";

        if (!File.Exists(path))
        {
            File.Create(path);
        }

        File.WriteAllText(path, getJsonByObject(model));
    }

    private static string getJsonByObject(Object obj)
    {
        //實例化DataContractJsonSerializer對象，需要待序列化的對象類型
        DataContractJsonSerializer serializer = new DataContractJsonSerializer(obj.GetType());
        //實例化一個內存流，用于存放序列化后的數(shù)據(jù)
        MemoryStream stream = new MemoryStream();
        //使用WriteObject序列化對象
        serializer.WriteObject(stream, obj);
        //寫入內存流中
        byte[] dataBytes = new byte[stream.Length];
        stream.Position = 0;
        stream.Read(dataBytes, 0, (int)stream.Length);
        //通過UTF8格式轉換為字符串
        return Encoding.UTF8.GetString(dataBytes);
    }

四、Main

static void Main(string[] args)
{
        ///爬蟲的制作主要分為三個方面
        ///1、加載網(wǎng)頁結構
        ///2、解析網(wǎng)頁結構，轉變?yōu)榉闲枨蟮臄?shù)據(jù)實體
        ///3、保存數(shù)據(jù)實體（數(shù)據(jù)庫，文本等）
        
        /*
         * 在實際的編碼過程中，找到了一個好的類庫“HtmlAgilityPack”。
         * 介紹：
         * 官網(wǎng)：http://html-agility-pack.net/?z=codeplex
         * Html Agility Pack源碼中的類大概有28個左右，其實不算一個很復雜的類庫，但它的功能確不弱，為解析DOM已經(jīng)提供了足夠強大的功能支持，可以跟jQuery操作DOM媲美)
         * 使用說明：
         * Html Agility Pack（XPath 定位）,在實際使用過程中，發(fā)現(xiàn)有部分內容如果通過Css進行定位會比XPath更加方便，所以通過查找找到了另外一個CSS的解析了類庫 ScrapySharp（Css 定位）
         * 整理：
         * Nuget包需要引用的庫
         * 1、Html Agility Pack（XPath 定位）
         * 2、ScrapySharp（Css 定位）
         */


        //第一點——加載網(wǎng)頁結構,Html Agility Pack封裝了加載內容的方法，使用doc.Load(arguments),具有多種重載方式，以下列舉官網(wǎng)的三個實例
        //LoadDocment();

        //第二點——解析網(wǎng)頁結構，轉變?yōu)榉闲枨蟮臄?shù)據(jù)實體
        //ParsingWebStructure();

        //第三點——保存數(shù)據(jù)實體，轉變?yōu)榉闲枨蟮臄?shù)據(jù)實體
        SavaData();
        Console.Read();
}