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。
public static string DownloadHtml(string url, Encoding encode) { string html = string.Empty; try { HttpWebRequest request = WebRequest.Create(url) as HttpWebRequest; request.Timeout = 30 * 1000; request.UserAgent = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36"; request.ContentType = "text/html; charset=utf-8"; using (HttpWebResponse response = request.GetResponse() as HttpWebResponse) { if (response.StatusCode == HttpStatusCode.OK) { try { StreamReader sr = new StreamReader(response.GetResponseStream(), encode); html = sr.ReadToEnd();//读取数据 sr.Close(); } catch (Exception ex) { html = null; } } } } catch (System.Net.WebException ex) { html = null; } catch (Exception ex) { html = null; } return html; }
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 { string html = HttpHelper.DownloadUrl(@"http://www.jd.com/allSort.aspx"); HtmlDocument doc = new HtmlDocument(); doc.LoadHtml(html); string goodClass= @"//*[@class='items']/dl/dd"; HtmlNodeCollection noneNodeList = doc.DocumentNode.SelectNodes(goodClass); foreach (var node in noneNodeList) { HtmlDocument docChild = new HtmlDocument(); docChild.LoadHtml(node.OuterHtml); string urlPath = "/dd/a"; HtmlNodeCollection list = docChild.DocumentNode.SelectNodes(urlPath); foreach (var l in list) { HtmlDocument docChild1 = new HtmlDocument(); docChild1.LoadHtml(l.OuterHtml); var sortUrl = l.Attributes["href"].Value; if (!string.IsNullOrWhiteSpace(sortUrl) && sortUrl.Contains("cat=")) { InsertSort("https:" + sortUrl); } } } } catch (Exception ex) { 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 { string html = HttpHelper.DownloadUrl(@"https://list.jd.com/list.html?cat=1620,11158,11964"); HtmlDocument productDoc = new HtmlDocument(); productDoc.LoadHtml(html); HtmlNode pageNode = productDoc.DocumentNode.SelectSingleNode(@"//*[@id='J_topPage']/span/i"); if (pageNode != null) { int pageNum = Convert.ToInt32(pageNode.InnerText); for (int i = 1; i < pageNum + 1; i++) { string pageUrl = string.Format("{0}&page={1}", category.Url, i).Replace("&page=1&", string.Format("&page={0}&", i)); try { List<ProductInfo> proDuctInfo = GetPageProduct(pageUrl); } catch (Exception ex) { Console.WriteLine(ex.Message); } } } } catch (Exception ex) { 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。
List<ProductInfo> productInfoList = new List<ProductInfo>(); try { string html = HttpHelper.DownloadUrl(url); HtmlDocument doc = new HtmlDocument(); doc.LoadHtml(html); HtmlNodeCollection productNodeList = doc.DocumentNode.SelectNodes("//*[@id='plist']/ul/li"); if (productNodeList == null || productNodeList.Count == 0) { return productInfoList; } foreach (var node in productNodeList) { HtmlDocument docChild = new HtmlDocument(); docChild.LoadHtml(node.OuterHtml); ProductInfo productInfo = new ProductInfo() { CategoryId = category.Id }; HtmlNode urlNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a"); if (urlNode == null) { continue; } string newUrl= urlNode.Attributes["href"].Value; newUrl = !newUrl.StartsWith("http:")?"http:" + newUrl: newUrl; string sId = Path.GetFileName(newUrl).Replace(".html", ""); productInfo.ProductId = long.Parse(sId); HtmlNode titleNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a/em"); if (titleNode == null) { continue; } productInfo.Title = titleNode.InnerText; HtmlNode priceNode = 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 (Exception ex) { } return productInfoList;
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 { StringBuilder sb = new StringBuilder(); 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)))); string html = HttpHelper.DownloadUrl(sb.ToString()); if (string.IsNullOrWhiteSpace(html)) { return productInfoList; } html = html.Substring(html.IndexOf("(") + 1); html = html.Substring(0, html.LastIndexOf(")")); List<CommodityPrice> priceList = JsonConvert.DeserializeObject<List<CommodityPrice>>(html); productInfoList.ForEach(c => c.Price = priceList.FirstOrDefault(p => p.id.Equals(string.Format("J_{0}", c.ProductId))).p); } catch (Exception ex) { Console.WriteLine(ex.Message); } return productInfoList;
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,谢谢大家对猪先飞的支持。
相关文章
- 我们在使用C#做项目的时候,基本上都需要制作登录界面,那么今天我们就来一步步看看,如果简单的实现登录界面呢,本文给出2个例子,由简入难,希望大家能够喜欢。...2020-06-25
- 这篇文章主要介绍了C# 字段和属性的的相关资料,文中示例代码非常详细,供大家参考和学习,感兴趣的朋友可以了解下...2020-11-03
- 这篇文章主要介绍了C#中截取字符串的的基本方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧...2020-11-03
- 本文给大家分享C#连接SQL数据库和查询数据功能的操作技巧,本文通过图文并茂的形式给大家介绍的非常详细,需要的朋友参考下吧...2021-05-17
- 这篇文章主要介绍了C#实现简单的Http请求的方法,以实例形式较为详细的分析了C#实现Http请求的具体方法,需要的朋友可以参考下...2020-06-25
- 本文主要介绍了C#中new的几种用法,具有很好的参考价值,下面跟着小编一起来看下吧...2020-06-25
使用Visual Studio2019创建C#项目(窗体应用程序、控制台应用程序、Web应用程序)
这篇文章主要介绍了使用Visual Studio2019创建C#项目(窗体应用程序、控制台应用程序、Web应用程序),小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧...2020-06-25- 这篇文章主要介绍了C#开发Windows窗体应用程序的简单操作步骤,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2021-04-12
- 这篇文章主要介绍了C#从数据库读取图片并保存的方法,帮助大家更好的理解和使用c#,感兴趣的朋友可以了解下...2021-01-16
- 最近做一个小项目不可避免的需要前端脚本与后台进行交互。由于是在asp.net中实现,故问题演化成asp.net中jiavascript与后台c#如何进行交互。...2020-06-25
- 本文通过例子,讲述了C++调用C#的DLL程序的方法,作出了以下总结,下面就让我们一起来学习吧。...2020-06-25
- 轻松学习C#的基础入门,了解C#最基本的知识点,C#是一种简洁的,类型安全的一种完全面向对象的开发语言,是Microsoft专门基于.NET Framework平台开发的而量身定做的高级程序设计语言,需要的朋友可以参考下...2020-06-25
- 本文主要介绍了C#变量命名规则小结,文中介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下...2021-09-09
- 这篇文章主要介绍了C#绘制曲线图的方法,以完整实例形式较为详细的分析了C#进行曲线绘制的具体步骤与相关技巧,具有一定参考借鉴价值,需要的朋友可以参考下...2020-06-25
- 本文主要介绍了C# 中取绝对值的函数。具有很好的参考价值。下面跟着小编一起来看下吧...2020-06-25
- 这篇文章主要介绍了c#自带缓存使用方法,包括获取数据缓存、设置数据缓存、移除指定数据缓存等方法,需要的朋友可以参考下...2020-06-25
- 这篇文章主要介绍了c#中(&&,||)与(&,|)的区别详解,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧...2020-06-25
- 这篇文章主要用实例讲解C#递归算法的概念以及用法,文中代码非常详细,帮助大家更好的参考和学习,感兴趣的朋友可以了解下...2020-06-25
- 下面小编就为大家带来一篇C#学习笔记- 随机函数Random()的用法详解。小编觉得挺不错的,现在就分享给大家,也给大家做个参考。一起跟随小编过来看看吧...2020-06-25
- 这篇文章主要介绍了C#中list用法,结合实例形式分析了C#中list排序、运算、转换等常见操作技巧,具有一定参考借鉴价值,需要的朋友可以参考下...2020-06-25