C# .NET 爬虫抓取京东商城所有商品分类

C# .NET 爬虫抓取京东商城所有商品分类,引用HtmlAgilityPack,用Xpath解析,完整的代码,一键运行,简单易懂,上手快,实用。

获取源码方式:

第一种:打开微信,搜一搜"别打我女儿的主意"打开微信小程序,找到菜单栏,点击源码,进去就可以获得链接

第二种:可以给本文点赞好评,然后发邮件到[email protected],如果有学习资料视频可以分享的话,可以捎带分享给我。

 

HttpHelper.cs:

using System;
using System.Collections.Generic;
using System.IO;
using System.Linq;
using System.Net;
using System.Text;
using System.Web;

namespace ReptileDemo
{
    public class HttpHelper
    {
        private static Logger logger = new Logger(typeof(HttpHelper));

        ///


        ///下载Html
        ///http://tool.sufeinet.com/HttpHelper.aspx
        ///HttpWebRequest功能比较丰富,WebClient使用比较方便
        ///

        ///
        ///

        public static string DownloadHtml(string url)
        {
            string html = string.Empty;
            try
            {
                logger.Info($"准备下载{url}");

                HttpWebRequest request = HttpWebRequest.Create(url) as HttpWebRequest;//模拟请求
                request.Timeout = 30 * 1000;//设置30s的超时
                request.UserAgent = "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3641.400 QQBrowser/10.4.3284.400";
                request.ContentType = "text/html;charset=utf-8";
                request.Host = "www.jd.com";
                request.Headers.Add("Cookie", @"unpl=V2_ZzNtbRVeQRx0C08HfRsLA2JWRVsSUBRBcQ1DA3xJXQduAxtfclRCFX0UR1ZnGVkUZAIZXkZcQxxFCEdkeB5fA2AFEFlBZxBFLV0CFi9JH1c%2bbRVZSl5CEXILQlNLKV8FVwMTbUJRRBFzD0NQfR1sNWAzIm1HUUYWfQh2VUsYbEczXxVdSl5GFjgIQFN%2fH1sAYwUWbUNnQA%3d%3d; __jdc=122270672; __jdv=122270672|baidu-search|t_262767352_baidusearch|cpc|6598056256_0_f838028b73f74df7a6fe544f6a038183|1552566317616; areaId=2; ipLoc-djd=2-2826-0; __jdu=1765764575; PCSYCityID=2; shshshfp=19b93df9a57acfd8a2c8bc93453cacdb; shshshfpa=fe4d06e3-df43-07b4-ef34-2e150bbf4912-1552566333; shshshfpb=qcA4sOiYOPoP6A79RQBqduQ%3D%3D; user-key=a870a5c1-ff4b-4d89-839a-f5af593dbdde; cn=0; __jda=122270672.1765764575.1552566316.1552566318.1552569329.2; 3AB9D23F7A4B3C9B=QHZNLN23OX664GDGD5OQCQXB46HMP75FXD2PI3IQOZN6CYBCARXEALNA67GD42KRENN63AMA42URMUXLDYEJ63CEYM; __jdb=122270672.6.1765764575|2.1552569329; QRCodeKey=AAEAINsIf6OrwCryLWM0IMIGU61UjVwXDiuCP4X655piOkI5; wlfstk_smdl=x4nyu0p9ivxzkkgh7h0y0b6hin6lwmjt");
                request.Method = "GET";
                request.CookieContainer = new CookieContainer();
                Encoding enc = Encoding.UTF8;
                using (HttpWebResponse response = request.GetResponse() as HttpWebResponse)
                {
                    if (response.StatusCode != HttpStatusCode.OK)
                    {
                        logger.Warn(string.Format("抓取{0}地址返回失败,response.StatusCode为{1}", url, response.StatusCode));
                    }
                    else
                    {
                        try
                        {
                            StreamReader sr = new StreamReader(response.GetResponseStream(), enc);
                            html = sr.ReadToEnd();//读取数据
                            sr.Close();
                        }
                        catch (Exception ex)
                        {
                            logger.Warn(string.Format($"DownloadHtml抓取{url}失败", ex));
                            html = null;
                        }
                    }
                }
            }
            catch (System.Net.WebException ex)
            {
                if (ex.Message.Equals("远程服务器返回错误:(306)。"))
                {
                    html = null;
                }
            }
            catch (Exception)
            {
                throw;
            }
            return html;
        }
    }
}

后台代码:

using HtmlAgilityPack;
using System;
using System.Collections.Generic;
using System.Linq;
using System.Web;
using System.Web.UI;
using System.Web.UI.WebControls;
using Newtonsoft.Json.Linq;

namespace ReptileDemo
{
    public partial class Index : System.Web.UI.Page
    {
        //EntitiesModels db = new EntitiesModels();
        private Logger logger = new Logger(typeof(Index));
        protected void Page_Load(object sender, EventArgs e)
        {
            string html = HttpHelper.DownloadHtml("https://www.jd.com/allSort.aspx");
            //正则--substring/indexof/replace
            if (!string.IsNullOrEmpty(html))
            {
                //引用HtmlAgilityPack,用Xpath解析
                HtmlDocument document = new HtmlDocument();
                document.LoadHtml(html);
                {
                    //查询京东所有商品的一级分类(已知共三级分类)
                    string firstPath = "//*[@class='category-item m']";
                    HtmlNodeCollection nodeList = document.DocumentNode.SelectNodes(firstPath);//找多个节点
                    if (nodeList != null)
                    {
                        JArray jarray = new JArray();
                        foreach (HtmlNode node in nodeList)
                        {
                            string oneHtml = node.OuterHtml;//获取整段html
                            //继续xpath去找需要的类别
                            HtmlDocument documentChild = new HtmlDocument();
                            documentChild.LoadHtml(oneHtml);
                            //第一次定位
                            string onePath = "//h2/span";
                            HtmlNodeCollection nodeone = documentChild.DocumentNode.SelectNodes(onePath);//找多个节点
                            if (nodeone != null)
                            {
                                JToken jitemoneCategory = new JObject();
                                foreach (HtmlNode nodee in nodeone)
                                {
                                    JArray jlistoneCategory = new JArray();

                                    string oneCategory = nodee.InnerHtml;

                                    //J_One modelOne = new J_One();
                                    //modelOne.name = oneCategory;
                                    //db.J_One.Add(modelOne);
                                    //db.SaveChanges();

                                    jitemoneCategory["oneCategory"] = nodee.InnerHtml;

                                    //第二次定位
                                    string twoPath = "//dl/dt/a";
                                    HtmlNodeCollection nodeLists = documentChild.DocumentNode.SelectNodes(twoPath);//找多个节点
                                    if (nodeLists != null)
                                    {
                                        foreach (HtmlNode nodes in nodeLists)
                                        {
                                            JToken jitemTwoCategory = new JObject();
                                            JArray jlisttwoCategory = new JArray();

                                            jitemTwoCategory["url"] = nodes.Attributes["href"].Value;
                                            jitemTwoCategory["name"] = nodes.InnerHtml;


                                            //logger.Info($"{name}:{url}");

                                            //J_Two modelTwo = new J_Two();
                                            //modelTwo.category = modelOne.id;
                                            //modelTwo.url = nodes.Attributes["href"].Value;
                                            //modelTwo.name = nodes.InnerHtml;
                                            //db.J_Two.Add(modelTwo);
                                            //db.SaveChanges();

                                            jlistoneCategory.Add(jitemTwoCategory);

                                            HtmlNode twoHtml = nodes.ParentNode.ParentNode;//获取整段html
                                            string twosHtml = twoHtml.OuterHtml;//获取整段html

                                            //继续xpath去找需要的类别
                                            HtmlDocument documentChilds = new HtmlDocument();
                                            documentChilds.LoadHtml(twosHtml);

                                            //第三次定位
                                            string threePath = "//dl/dd/a";
                                            HtmlNodeCollection nodeListss = documentChilds.DocumentNode.SelectNodes(threePath);//找多个节点
                                            if (nodeListss != null)
                                            {
                                                foreach (HtmlNode nodess in nodeListss)
                                                {
                                                    JToken jitemthreeCategory = new JObject();

                                                    jitemthreeCategory["urls"] = nodess.Attributes["href"].Value;
                                                    jitemthreeCategory["names"] = nodess.InnerHtml;

                                                    //J_Three modelThree = new J_Three();
                                                    //modelThree.category = modelTwo.id;
                                                    //modelThree.url = nodess.Attributes["href"].Value;
                                                    //modelThree.name = nodess.InnerHtml;
                                                    //db.J_Three.Add(modelThree);
                                                    //db.SaveChanges();

                                                    jlisttwoCategory.Add(jitemthreeCategory);
                                                    jitemTwoCategory["ThreeCategory"] = jlisttwoCategory;
                                                }
                                            }
                                            jitemoneCategory["TwoCategory"] = jlistoneCategory;
                                        }
                                    }
                                }
                                jarray.Add(jitemoneCategory);
                            }
                        }
                        string AAA = jarray.ToString();
                    }
                }
            }
        }
    }
}

附加:用WebClient方法

           WebClient wc = new WebClient();
            Byte[] pageData = wc.DownloadData("http://www.4399.com");
            string pageHtml = Encoding.Default.GetString(pageData);
            HtmlDocument document = new HtmlDocument();
            document.LoadHtml(pageHtml);
            string onePath = "//a";
            HtmlNodeCollection nodeList = document.DocumentNode.SelectNodes(onePath);
            List dylist = new List();
            if (nodeList != null)
            {
                foreach (HtmlNode node in nodeList)
                {
                    dylist.Add(node.InnerHtml);
                }
            }

            string currentPath = AppDomain.CurrentDomain.BaseDirectory;//得到当前目录
            Directory.CreateDirectory(currentPath + @"\photos\");//在当前目录下创建photos文件夹
            string currentPathPhotos = currentPath + @"\photos\";//得到photos的路径

            WebClient myDownload = new WebClient();//实例化webclient类,用于下载
            int i = 1; //用于图片的命名
            Regex regJPG = new Regex(".jpg", RegexOptions.RightToLeft);//判断图片是不是.jpg格式
            Regex regPNG = new Regex(".png", RegexOptions.RightToLeft);//判断图片是不是.png格式

            foreach (string temp in dylist)//遍历获取到的图片URL,并下载和保存
            {
                Match mJpg = regJPG.Match(temp);
                if (mJpg.Success)
                {
                    string filePathJpg = currentPathPhotos + i + ".jpg";
                    try
                    {
                        myDownload.DownloadFile(temp, filePathJpg);
                        Console.WriteLine("下载成功");
                        i++;
                    }
                    catch
                    {
                        Console.WriteLine("下载失败");
                    }

                }
                else
                {
                    Match mPng = regPNG.Match(temp);
                    if (mPng.Success)
                    {
                        string filePathPng = currentPathPhotos + i + ".png";
                        try
                        {
                            myDownload.DownloadFile(temp, filePathPng);
                            Console.WriteLine("下载成功");
                            i++;
                        }
                        catch
                        {
                            Console.WriteLine("下载失败");
                        }
                    }
                    else
                    {
                        string filePathgif = currentPathPhotos + i + ".gif";
                        try
                        {
                            myDownload.DownloadFile(temp, filePathgif);
                            Console.WriteLine("下载成功");
                            i++;
                        }
                        catch
                        {
                            Console.WriteLine("下载失败");
                        }
                    }

                }
            }

你可能感兴趣的:(源码笔记)