.net 爬虫框架技术选型

个人认为爬虫框架分抓取框架和分析框架

1)抓取框架

.net 市面上好的似乎不多,选择要素分两种:1.轻量型,2.重量型。

1. 轻量型是可以定制一些特殊的功能或者插件开关形式。总体性能高,速度快。

   自己写的webclient,httprequest,httpclient等。或者直接socket编写!

2. 重量型是可以基本模式浏览器,更加傻瓜化,也基本屏蔽了一些反爬虫机制。

   如webbrower或者其他的webkit浏览器内核封装的.net框架。

   如:https://github.com/cefsharp/CefSharp (.NET (WPF and Windows Forms) bindings for the Chromium Embedded Framework


抓取的特殊功能包括:cookie支持(默认),301自动跳转,https默认支持,gzip等压缩默认支持,自动多种方式识别编码,默认模拟浏览器header,模拟css和js执行等等。

当然越是功能强大,性能越差些,但是适应各种情况的能力越强(反爬虫能力),轻量型和重量型适应的抓取场景也都不一样。

如:携程的高级手法


技术选择:

HttpHelper(作者是收费的,看了源码,其实功能也不强大;自己也能做,只是原来写的http框架源码没了,急着用暂时用下)

scrapysharp 中的ScrapingBrowser

.net HttpWebRequest 简单封装下

.net webclient 简单封装下


2)分析框架

旧技术:正则表达式

新方式: scrapysharp,HtmlAgilityPack,CsQuery 等等(还有很多)

scrapysharp:扩展自HtmlAgilityPack,非常好用。(支持css选择器方式,快速上手)

css的选择器语法:http://www.w3school.com.cn/cssref/css_selectors.asp

  参考资料: http://www.cnblogs.com/arxive/p/7075306.html

示例

.net 爬虫框架技术选型_第1张图片

 

HtmlAgilityPack:本来就好用,但是用的时候还是要进行部分算法处理。(支持xpath方式获取,快速上手)

百度一下,资料不少。

示例

.net 爬虫框架技术选型_第2张图片

 

CsQuery:似乎对中文 的支持有bug,获取html的时候,中文会乱码,不知道为什么。(支持jq(jquery)方式获取,快速上手)

https://github.com/jamietre/CsQuery

示例

.net 爬虫框架技术选型_第3张图片

 

Csoup

.net 版本的jsoup。当然csoup的相关文档少,建议直接看jsoup的文档(也一样的)。(支持jq(jquery)的方式获取,快速上手)

地址: http://nsoup.codeplex.com/

文档:http://www.open-open.com/jsoup/

 

欢迎交流,一起了解爬虫技术更多知识,完善技术栈,.net 开源因你更美好。开源QQ群: .net 开源基础服务  238543768

by 车江毅

你可能感兴趣的:(.net 爬虫框架技术选型)