网络爬虫的工作原理,以及解析获取到的html页面内容（NSoup）
网络爬虫是一个自动提取网页的程序，它从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。
那么在这个过程中我们怎么抽取新的URL地址呢？这时候就需要解析html内容了，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索，从中检索出需要的URL交给爬虫，让它继续工作，整个过程就一个蜘蛛不断建网，四通八达。
下面程序可以从页面中提取我们想要的东西，比如标题、正文，想要深入爬取的话，我们就需要解析其中有用的URL出来。
public string url = “”;
protected void Page_Load(object sender, EventArgs e)
{
url = Web. DLL . Utility . request Utility.GetString(“url”);
string op = Web.DLL.Utility.RequestUtility.GetString(“op”);
if (op == “getrealurl”)
{
Hashtable hash = new Hashtable();
string out_link = “”;
string html = GetHtml(url, Encoding .UTF8);
NSoup.Nodes.Document doc = NSoup.NSoupClient.Parse(html);
Elements elements = doc.GetElementsByClass(“mod_episodes_numbers”);
Elements elements_a = elements.Select(“a”);
foreach (var item in elements_a)
{
string text_str = item.Text();
string href _str = item.Attr(“href”).ToString();
out_link += “void (0)\” onclick=\”play(‘” + href_str + “‘)\”>” + text_str + ” “;
}
hash[“error”] = 0;
hash[“backurl”] = “” + url;
hash[“backhtml”] = out_link;
Response.Write(JsonMapper.ToJson(hash));
Response.End();
}
}
/// < summary >
/// 获取网页源代码
///
///
///
public string GetHtml(string url, encoding encoding)
{
HttpWebRequest request = null;
HttpWebResponse response = null;
StreamReader reader = null;
try
{
request = (HttpWebRequest)WebRequest.Create(url);
request.Timeout = 20000;
request.AllowAutoRedirect = false;
response = (HttpWebResponse)request.GetResponse();
if (response.StatusCode == HttpStatusCode.OK && response.ContentLength < 1024 * 1024)
{
if (response.ContentEncoding != null && response.ContentEncoding.Equals(“gzip”, StringComparison.InvariantCultureIgnoreCase))
reader = new StreamReader(new GZipStream(response.GetResponseStream(), CompressionMode.Decompress), encoding);
else
reader = new StreamReader(response.GetResponseStream(), encoding);
string html = reader.ReadToEnd();
return html;
}
}
catch
{
}
finally
{
if (response != null)
{
response. Close ();
response = null;
}
if (reader != null)
reader.Close();
if (request != null)
request = null;
}
return string.Empty;
}
相关文章
本站已关闭游客评论，请登录或者注册后再评论吧~
热门文章
保利为什么叫央企之王(保利是国企还是央企)
2022-07-06
恢复外国人入境时间表(中国取消14天隔离政策了吗)
2021-06-19
香港哪些明星是反港分子(已背叛祖国的明星名单)被国家拉入黑名单明星
2021-04-20
身份造假与销售话术(记者卧底世纪佳缘 揭秘“红娘”)
2021-12-08
PyCharm怎么连接配置mysql数据库?
2021-06-29
如何将cda格式文件转换为mp3格式(cda格式怎么转换成mp3)
2021-12-11