C#+HtmlAgilityPack+XPath带你采集数据(以采集天气数据为例子)
C#+HtmlAgilityPack+XPath带你采集数据(以采集天气数据为例子)
第一次接触HtmlAgilityPack是在5年前，一些意外，让我从技术部门临时调到销售部门，负责建立一些流程和寻找潜在客户，最后在阿里巴巴找到了很多客户信息，非常全面，刚开始是手动复制到Excel，是真尼玛的累，虽然那个时候C#还很菜，也想能不能通过程序来批量获取（所以平时想法要多才好）。几经周折，终于发现了HtmlAgilityPack神器，这几年也用HtmlAgilityPack采集了很多类型数据，特别是足球赛事资料库的数据采集以及天气数据采集，都是使用HtmlAgilityPack，所以把自己的使用过程总结下来，分享给大家，让更多人接触和学会使用，给自己的工作带来遍历。
今天的主要内容是HtmlAgilityPack的基本介绍、使用，实际代码。最后我们以采集天气数据为例子，来介绍实际的采集分析过程和简单的代码。我们将在下一篇文章中开源该天气数据库和C#操作代码。采集核心就只是在这里介绍，其实核心代码都有了，自己加工下就可以了，同时也免费对有需要的人开放。至于具体详情，请关注下一篇文章。
.NET开源目录：【目录】本博客其他.NET开源项目文章目录
本文原文地址：C#+HtmlAgilityPack+XPath带你采集数据(以采集天气数据为例子)
1.HtmlAgilityPack简介
HtmlAgilityPack是一个开源的解析HTML元素的类库，最大的特点是可以通过XPath来解析HMTL，如果您以前用C#操作过XML，那么使用起HtmlAgilityPack也会得心应手。目前最新版本为1.4.6,下载地址如下：http://htmlagilitypack.codeplex.com/ 目前稳定的版本是1.4.6，上一次更新还是2012年，所以很稳定，基本功能全面，也没必要更新了。
提到HtmlAgilityPack，就必须要介绍一个辅助工具，不知道其他人在使用的时候，是如何分析页面结构的。反正我是使用官方提供的一个叫做HAPExplorer的工具。非常有用。下面我们在使用的时候会介绍如何使用。
2.XPath技术介绍与使用
2.1 XPath介绍
XPath即为XML路径语言，它是一种用来确定XML(标准通用标记语言的子集)文档中某部分位置的语言。XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初 XPath 的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是 XPath 很快的被开发者采用来当作小型查询语言。
XPath是W3C的一个标准。它最主要的目的是为了在XML1.0或XML1.1文档节点树中定位节点所设计。目前有XPath1.0和XPath2.0两个版本。其中Xpath1.0是1999年成为W3C标准，而XPath2.0标准的确立是在2007年。W3C关于XPath的英文详细文档请见：http://www.w3.org/TR/xpath20/ 。
2.2 XPath的路径表达
XPath是XML的查询语言，和SQL的角色很类似。以下面XML为例，介绍XPath的语法。下面的一些资料是几年前学习这个的时候，从网络以及博客园获取的一些资料，暂时找不到出处，例子和文字基本都是借鉴，再次谢过。如果大家发现类似的一起文章，告诉我链接，我加上引用。下面的Xpath的相关表达也很基础，基本足够用了。
xml version="1.0"encoding="ISO-8859-1"?>
<catalog>
<cd country="USA">
<title>Empire Burlesquetitle>
<artist>Bob Dylanartist>
<price>10.90price>
cd>
catalog>
定位节点:XML是树状结构，类似档案系统内数据夹的结构，XPath也类似档案系统的路径命名方式。不过XPath是一种模式(Pattern)，可以选出XML档案中，路径符合某个模式的所有节点出来。例如要选catalog底下的cd中所有price元素可以用：
/catalog/cd/price
如果XPath的开头是一个斜线（/）代表这是绝对路径。如果开头是两个斜线（//）表示文件中所有符合模式的元素都会被选出来，即使是处于树中不同的层级也会被选出来。以下的语法会选出文件中所有叫做cd的元素（在树中的任何层级都会被选出来）：//cd
选择未知的元素:使用星号（*）可以选择未知的元素。下面这个语法会选出/catalog/cd的所有子元素：
/catalog/cd/*
以下的语法会选出所有catalog的子元素中，包含有price作为子元素的元素。
/catalog/*/price
以下的语法会选出有两层父节点，叫做price的所有元素。
/*/*/price
要注意的是，想要存取不分层级的元素，XPath语法必须以两个斜线开头(//)，想要存取未知元素才用星号(*)，星号只能代表未知名称的元素，不能代表未知层级的元素。
选择分支:使用中括号可以选择分支。以下的语法从catalog的子元素中取出第一个叫做cd的元素。XPath的定义中没有第0元素这种东西。
/catalog/cd[1]
以下语法选择catalog中的最后一个cd元素：（XPathj并没有定义first()这种函式喔，用上例的[1]就可以取出第一个元素。
/catalog/cd[last()]
以下语法选出price元素的值等于10.90的所有/catalog/cd元素
/catalog/cd[price=10.90]
选择属性:在XPath中，除了选择元素以外，也可以选择属性。属性都是以@开头。例如选择文件中所有叫做country的属性：
//@country
以下语法选择出country属性值为UK的cd元素
//cd[@country='UK']
3.采集天气网站案例
3.1 需求分析
我们要采集的是全国各地城市的天气信息，网站为：http://www.tianqihoubao.com/，该网站数据分为2种类型，1个是历史数据，覆盖范围为2011年至今，1个是天气预报的数据，历史数据是天气后报，也就是实际的天气数据。采集的范围必须覆盖全国主要城市，最好是所有的城市。通过分析该网站的页面，的确是满足要求。天气信息，包括实际的天气状况，风力状况以及气温状况情况，包括最低和最高区间。
结合基本要求，我们进入网站，分析一些大概特点，以及主要页面的结构。
3.2 网站页面结构分析
要采集大量的信息，必须对网站页面进行详细的分析和总结。因为机器采集不是人工，需要动态构造URL，请求或者页面html，然后进行解析。所以分析网站页面结构是第一步，也是很关键的一步。我们首先进入到总的历史页面：http://www.tianqihoubao.com/lishi/，如下图：
很明显，这个总的页面按省份进行了分开，可以看到每个省份、地级市名称的链接中，都是固定格式，只不过拼音缩写不同而已。而且每个省份的第一个城市为省会城市。这一点要注意，程序中要区分省会城市和其他地级城市。当然省会城市也可以省略，毕竟只有30多个，手动标记也很快的事情。这个页面我们将主要采集省份的缩写信息，然后我们选择一个省份，点击进去，看每个省份具体的城市信息，如我们选择辽宁省：http://www.tianqihoubao.com/lishi/ln.htm如下图：
同样，每个省份下面的地区也有单独的链接，格式和上面的类似，按照城市拼音。我们看到每个省份下面，有大的地级行政区，每个地级市区后面细分了小的县市区。我们随意点击大连市的链接，进去看看具体的天气历史信息：
该页面包括了城市2011年1月到2015年至今的历史数据，按月分开。链接的特点也很固定，包括了城市名称的拼音和年份月份信息。所以构造这个链接就很容易了。下面看看每个月份的情况：
广告我屏蔽了一些，手动给抹掉吧。每个城市的每个月的天气信息比较简单，直接表格填充了数据，日期，天气状况，气温和风力。这几步都是按照页面的链接一步一步引导过来的，所以上述流程清楚了，要采集的信息也清楚了，有了大概的思路：
先采集整个省份的拼音代码，然后依次获取每个省份每个地级市，以及对应县级市的名称和拼音代码，最后循环每个县级市，按照月份获取所有历史数据。下面将重点分析几个页面的节点情况，就是如何用HtmlAgilityPack和Xpath来获取你要的数据信息，至于保存到数据库，八仙过海各显神通吧，我用的是XCode组件。
3.3 分析省-县市结构页面
还是以辽宁省为例：http://www.tianqihoubao.com/lishi/ln.htm ,打开页面，右键获取网页源代码后，粘贴到 HAPExplorer 中，也可以直接在HAPExplorer 中打开链接，如下面的动画演示：
我们可以看到，右侧的XPath地址，div结束后，下面都是dl标签，就是我们要采集的行了。下面我们用代码来获取上述结构。先看看获取页面源代码的代码：
|
1
2
3
4
5
6
7
8
9
10
|
public
static
string
GetWebClient(
string
url)
{
string
strHTML =
""
;
WebClient myWebClient =
new
WebClient();
Stream myStream = myWebClient.OpenRead(url);
StreamReader sr =
new
StreamReader(myStream, Encoding.Default);
//注意编码
strHTML = sr.ReadToEnd();
myStream.Close();
return
strHTML;
}
|
下面是分析每个省份下属县市区的程序，限于篇幅我们省掉了数据库部分，只采集城市和拼音代码，并输出：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
|
///
///
public
static
void
ParsePageByArea(String cityCode)
{
//更加链接格式和省份代码构造URL
String url = String.Format(
"http://www.tianqihoubao.com/lishi/{0}.htm"
, cityCode);
//下载网页源代码
var
docText = HtmlHelper.GetWebClient(url);
//加载源代码，获取文档对象
var
doc =
new
HtmlDocument(); doc.LoadHtml(docText);
//更加xpath获取总的对象，如果不为空，就继续选择dl标签
var
res = doc.DocumentNode.SelectSingleNode(
@"/html[1]/body[1]/div[1]/div[6]/div[1]/div[1]/div[3]"
);
if
(res !=
null
)
{
var
list = res.SelectNodes(
@"dl"
);
//选择标签数组
if
(list.Count < 1)
return
;
foreach
(
var
item
in
list)
{
var
dd = item.SelectSingleNode(
@"dd"
).SelectNodes(
"a"
);
foreach
(
var
node
in
dd)
{
var
text = node.InnerText.Trim();
//拼音代码要从href属性中进行分割提取
var
herf = node.Attributes[
"href"
].Value.Trim().Split(
'/'
,
'.'
);
Console.WriteLine(
"{0}:{1}"
, text, herf[herf.Length - 2]);
}
}
}
}
|
我们以辽宁为例，调用代码：ParsePageByArea("ln");结果如下：
3.4 分析城市单月的历史天气页面
这也是最重要核心的一个要分析的页面。我们以大连市2011年8月份为例：http://www.tianqihoubao.com/lishi/dalian/month/201108.html，我们要找到我们需要采集的信息节点，如下图所示的动画演示，其实这个过程习惯几次就好了，每一次点击节点后，要观察右边的内容是不是我们想要的，还可以通过滚动条的长度判断大概的长度。
这里不是直接从URL加载，由于编码原因，URL加载会有乱码，所以我是手动辅助源代码到HAPExplorer中的，效果一样，所以直接在获取页面源代码的时候，要注意编码问题。总的过程比较简单，还是查找到Table标签的位置，因为那里保存了所需要的数据，每一行每一列都非常标准。过程类似，我们直接更加XPath找到Table，然后一次获取每行，每列，进行对应即可，看代码，都进行了详细的注释：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
|
///
///
///
///
public
static
void
ParsePageByCityMonth(String cityCode, Int32 year, Int32 month)
{
//更加拼音代码，月份信息构造URL
String url = String.Format(
"http://www.tianqihoubao.com/lishi/{0}/month/{1}{2:D2}.html"
, cityCode, year, month);
//获取该链接的源代码
var
docText = HtmlHelper.GetWebClient(url);
//加载源代码，获取页面结构对象
var
doc =
new
HtmlDocument(); doc.LoadHtml(docText);
//更加Xpath获取表格对象
var
res = doc.DocumentNode.SelectSingleNode(
@"/html[1]/body[1]/div[2]/div[6]/div[1]/div[1]/table[1]"
);
if
(res !=
null
)
{
//获取所有行
var
list = res.SelectNodes(
@"tr"
);
list.RemoveAt(0);
//移除第一行，是表头
// 遍历每一行，获取日期，以及天气状况等信息
foreach
(
var
item
in
list)
{
var
dd = item.SelectNodes(
@"td"
);
//日期 - - 气温 - 风力风向
if
(dd.Count != 4)
continue
;
//获取当前行日期
var
date1 = dd[0].InnerText.Replace(
"\r\n"
,
""
).Replace(
" "
,
""
).Trim();
//获取当前行天气状况
var
tq = dd[1].InnerText.Replace(
"\r\n"
,
""
).Replace(
" "
,
""
).Trim();
//获取当前行气温
var
qw = dd[2].InnerText.Replace(
"\r\n"
,
""
).Replace(
" "
,
""
).Trim();
//获取当前行风力风向
var
fx = dd[3].InnerText.Replace(
"\r\n"
,
""
).Replace(
" "
,
""
).Trim();
//输出
Console.WriteLine(
"{0}:{1},{2},{3}"
, date1, tq, qw, fx);
}
}
}
|
我们调用大连市2011年8月的记录：ParsePageByCityMonth("dalian",2011,8); 结果如下：
至于其他页面都是这个思路，先分析xpath，再获取对应的信息。熟悉几次后应该会快很多的。HtmlAgilityPack里面的方法用多了，自己用对象浏览器查看一些，会一些基本的就可以解决很多问题。
另外，很多网页都是直接输出json数据，对json数据的处理我写过一篇文章，可以参考下，纯手工打造的解析json：用原始方法解析复杂字符串，json一定要用JsonMapper么？
4.资源
HTML解析利器HtmlAgilityPack
HtmlAgilityPack 之 HtmlNode类
网易新闻页面信息抓取 -- htmlagilitypack搭配scrapysharp
C#类似Jquery的html解析类HtmlAgilityPack基础类介绍及运用
我把分析HAPExplorer 工具共享一些吧，这里下载：HtmlAgilityPack分析工具.rar
我将在下一篇文章中开放这个天气数据库，目前正在采集，很大，很慢。敬请关注。
如果您觉得阅读本文对您有帮助，请点一下“推荐”按钮，您的“推荐”将是我最大的写作动力！欢迎各位转载，但是未经作者本人同意，转载文章之后必须在文章页面明显位置给出作者和原文连接，否则保留追究法律责任的权利。
.NET数据挖掘与机器学习，作者博客: http://www.cnblogs.com/asxinyu
中通快递上海总部信息中心招聘.NET/Java开发工程师,有内推机会,到岗时间灵活,待遇根据工作经验面谈,有意向者可以私信或者简历到我邮箱.
E-mail:[email protected]