C#简单爬取数据（.NET使用HTML解析器NSoup和正则两种方式匹配数据）

一、获取数据

想弄一个数据库，由于需要一些人名，所以就去百度一下，然后发现了360图书馆中有很多人名

然后就像去复制一下，发现复制不了，需要登陆

此时f12查看源码是可以复制的，不过就算可以复制想要插入数据也是很麻烦的。既然复制走不通，于是我抱着探索知识的精神，打开了Visual Studio

首先我们需要先拿到整个页面的数据，此时的话可以使用WebClient对象来获取数据(HttpWebRequest方式稍微有点麻烦)，然后使用byte数组来接受一下返回值

public static void GetData(String address)
{
    WebClient wc = new WebClient();
    byte[] htmlData = wc.DownloadData(address);
}

此时需要将htmlData对象解码为String对象，然后我们在网站中f12看一下解码方式

可以看到charset=utf-8，说明需要用utf-8来解码，然后使用Encoding对象来解码

string html = Encoding.UTF8.GetString(htmlData);

我们输出一下html有没有值

static void Main(string[] args)
{
    //将地址复制过来
    GetData("http://www.360doc.com/content/18/1010/13/642066_793541226.shtml");
    Console.ReadKey();
}

public static void GetData(String address)
{
    WebClient wc = new WebClient();
    //地址由调用时传入
    byte[] htmlData = wc.DownloadData(address);

    string html = Encoding.UTF8.GetString(htmlData);

    Console.WriteLine(html);

}

输出：

二、Regex匹配

接下来就是匹配的问题了，首先看一下html文档的结构

就是说只需要匹配到所有的p标签，然后拿到其中的内容就行了

第一种想到的就是使用正则表达式匹配：

public static void GetData(String address)
{
    WebClient wc = new WebClient();
    //地址由调用时传入
    byte[] htmlData = wc.DownloadData(address);

    string html = Encoding.UTF8.GetString(htmlData);

    //使用正则表达式匹配    非空字符至少100个
    Regex reg = new Regex("<[pP]>\\S{100,}");
    //接受所有匹配到的项
    MatchCollection result = reg.Matches(html);
    //循环输出
    foreach (Match item in result)
    {
        Console.WriteLine(item.Value);
    }
}

调用不变，启动：

匹配到是匹配到了，但是我们把

标签也匹配出来了，所以把正则表达式改进一下，使用组匹配，将p标签中的内容单独匹配出来（当然也可以截取字符串）。也就是说在写正则表达式时，将想要单独匹配出来的数据用括号"(想要单独匹配出来的数据)"括起来，来看一下怎么写：

Regex reg = new Regex("<[pP]>(\\S{100,})");

然后如果想要拿数据的话，需要使用Match对象的Groups属性通过索引来获取匹配到的组：

public static void GetData(String address)
{
    WebClient wc = new WebClient();
    //地址由调用时传入
    byte[] htmlData = wc.DownloadData(address);

    string html = Encoding.UTF8.GetString(htmlData);

    //使用正则表达式组匹配    (非空字符至少100个)
    Regex reg = new Regex("<[pP]>(\\S{100,})");
    
    //接受所有匹配到的项
    MatchCollection result = reg.Matches(html);
    //循环输出
    foreach (Match item in result)
    {
        //0的话是整体匹配到的字符串对象
        //1就是第一个匹配到的组(\\S{100,)
        Console.WriteLine(item.Groups[1]);
    }
}

输出结果：

这次p标签就没有被匹配进入组中（如果通过item.Groups[0]拿到的回是和上面匹配到一样的数据，会带p标签）

匹配到了之后就可以使用item.Groups[1].Split('、')来将字符串分割为String数组，然后循环写入数据库，或者进行其他操作。

三、HTML解析器NSoup

虽然正则表达式也可以匹配，但是如果对正则表达式比较陌生的话，可能就不是友好了。如果有方法可以像用js操作html元素一样，用C#操作html字符串，就非常棒了。NSoup就是可以做到解析html字符串，变成可操作的对象。

首先使用前先在管理NuGet程序包中添加：NSoup，直接就可以搜索到，添加完成之后接下来就看一下如何使用

使用NSoupClient.Parse(放入html代码：....)创建一个声明Docuemnt文档对象：

//声明Document对象
Document doc = NSoupClient.Parse(html);

第二种就是使用Document doc = NSoupClient.Connect(放入url)    .Get()/.Post()，然后他就会自动获取url地址的html代码，并且根据html代码加载一个Document对象

//通过url自动加载Document对象
Document doc = NSoupClient.Connect(address).Get();

当然还有其他方式获取，然后我们看一下如何使用Document对象

//通过id获取元素
//获取id为form的元素
Element form = doc.GetElementById("form");
//通过标签名获取元素
//获取所有的p标签
Elements p = doc.GetElementsByTag("p");
//通过类样式获取元素 
//获取类样式为btn的元素
Elements c = doc.GetElementsByClass("btn");
//通过属性获取
//获取包含style属性的元素
Elements attr =  doc.GetElementsByAttribute("style");

也可以自己组合一些其他的嵌套操作，例如：

获取id为artContent下的所有p标签

//使用链式编程
//获取id为artContent下的所有p标签
Elements ps = doc.GetElementById("artContent").GetElementsByTag("p");
//等同于
//Element artContent = doc.GetElementById("artContent");
//Elements ps = artContent.GetElementsByTag("p");

元素方法的使用：

//Elements是Element元素的集合     多了个s
//Element对象的方法
Element id = doc.GetElementById("id");
//获取或设置id元素的文本
id.Text();
//获取或设置id元素的html代码
id.Html();
//获取或设置id元素的value值
id.Val();

都是像js操作html元素一样的方法，而且方法的名字也很人性，基本上一看就会知道方法是什么意思，方法也太多了就不一一讲了。

然后我们来使用NSoup获取所有的名字，来试一下就会发现很简单了：

 方式一：

public static void GetData(String address)
{
    WebClient wc = new WebClient();

    byte[] htmlData = wc.DownloadData(address);

    string html = Encoding.UTF8.GetString(htmlData);

    Document doc = NSoupClient.Parse(html);
    //先获取id为artContent的元素，再获取所有的p标签
    Elements p = doc.GetElementById("artContent").GetElementsByTag("p");

    foreach (Element item in p)
    {
        Console.WriteLine(item.Text());
    }

}

方式二：

public static void GetData(String address)
{
    //直接通过url来获取Document对象
    Document doc = NSoupClient.Connect(address).Get();
    //先获取id为artContent的元素，再获取所有的p标签
    Elements p = doc.GetElementById("artContent").GetElementsByTag("p");

    foreach (Element item in p)
    {
        Console.WriteLine(item.Text());
    }

}

运行结果都是一样的

总结：效率的话不太了解就不做评价了，就简单说一下优缺点：使用正则表达式的话，需要对正则表达式有一定的熟悉，然后匹配数据的话也是很方便的，但是修改、添加、删除的话就不是太方便了；使用HTMl解析器（HtmlAgilityPack、NSoup）的话操作起来明显更方便一些，如果对js有一定的基础，html解析器根本不需要大学习就可以熟练使用，然后对元素进行修改、添加、删除、获取都是非常方便的，不过如果对于未知的html结构就不是太友好了，例如：如果获取页面上所有的http://www.baidu.com这类的地址的话，使用正则就会更好一些。