基于C#8.0的通用爬虫静态类，可直接使用
本帖最后由 jdclang 于 2024-6-28 20:41 编辑2年前曾经基于C#7.0尝试过一次通用爬虫代码，原帖地址，那是我第一次尝试用C#来写爬虫，虽然实现了基本功能，但所需参数太多，用起来比较麻烦，这次为了爬取《六朝》的最新章节，重新编写了爬虫代码，将所有功能打包为一个静态类,并且实现了自动处理目标网站小说章节列表或者章节内容被分页的情况，不在需要自行去查找章节列表和章节内容的下一页Xpath，只需要在program.cs中直接调用即可，当然，一些必须的库还是要自行NuGet一下，比如HtmlAgilityPack，NLog，System.Text.Encoding.CodePages（这个主要是为了处理GBK编码）。
这次为了方便大家测试，我就不删除源代码中的网站地址了，各位自行尝试。
对了，因为这次的目标网站是个只允许手机端浏览器访问的网站，所以User-Agent我用的是模拟手机端的字符串“Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Mobile Safari/537.36 Edg/119.0.0.0"，如果需要访问电脑端的网站，可以更换为其他通用的User-Agent或者自行去浏览器里面抓取。
完整代码如下：
using System;
using System.Collections.Generic;
using System.Net.Http;
using System.Text;
using System.Text.RegularExpressions;
using System.Threading.Tasks;
using HtmlAgilityPack;
using NLog;
namespace ConsoleBookSpyder.Sites
{
/// <summary>
/// 提供小说爬取和处理功能的静态类
/// </summary>
public static class shubaoju
{
#region Constants
private const string BaseUrl = "https://i.shubaoju.cc";
private const string Encoding = "GBK";
private const string XpathBookName = "//*[@id=\"_52mb_h1\"]";
private const string XpathChapterList = "//ul[@class='chapter']/li";
private const string XpathContents = "//*[@id=\"nr1\"]";
//目标网页抓取错误最大尝试次数
private const int MaxRetries = 5;
// 控制并发抓取章节内容的最大线程数
private static readonly int MaxConcurrency = 40;
#endregion
#region Fields
private static readonly Logger Logger = LogManager.GetCurrentClassLogger();
private static readonly HttpClient HttpClient = CreateHttpClient();
//任务进度参数
private static int _completedTasks;
private static int _totalTasks;
#endregion
#region Public Methods
/// <summary>
/// 执行小说爬取的主要流程
/// </summary>
/// <param name="targetUrl">目标小说的URL</param>
public static async Task ExecuteAsync(string targetUrl)
{
try
{
var html = await GetHtmlAsync(targetUrl);
var bookName = GetBookName(html);
var chapters = await GetBookChaptersAsync(html);
_totalTasks = chapters.Count; // 设置总任务数
_completedTasks = 0; // 初始化已完成任务数
Console.Title = $"任务进度：{_completedTasks}/{_totalTasks}"; // 更新Console.Title
var novelContent = await ProcessChaptersAsync(chapters);
var amendedContent = AmendContent(novelContent);
await WriteToFileAsync(amendedContent, GetFilePath(bookName));
}
catch (Exception ex)
{
Logger.Error(ex, "执行过程中发生错误");
}
}
#endregion
#region Private Methods
/// <summary>
/// 从HTML中提取小说名
/// </summary>
private static string GetBookName(string html)
{
var doc = new HtmlDocument();
doc.LoadHtml(html);
var bookName = doc.DocumentNode.SelectSingleNode(XpathBookName)?.InnerText.Trim() ?? "未知书名";
bookName = System.Web.HttpUtility.HtmlDecode(bookName);
Logger.Info($"获取书名: 《{bookName}》");
return bookName;
}
/// <summary>
/// 获取小说的所有章节信息
/// </summary>
private static async Task<List<Chapter>> GetBookChaptersAsync(string initialHtml)
{
var chapters = new List<Chapter>();
var currentPageUrl = BaseUrl;
var html = initialHtml;
while (true)
{
var doc = new HtmlDocument();
doc.LoadHtml(html);
var chapterNodes = doc.DocumentNode.SelectNodes(XpathChapterList);
if (chapterNodes != null)
{
foreach (var node in chapterNodes)
{
var aNode = node.SelectSingleNode(".//a");
if (aNode != null)
{
var title = aNode.InnerText.Trim();
var href = aNode.GetAttributeValue("href", "");
if (!string.IsNullOrEmpty(href))
{
chapters.Add(new Chapter(title, href));
}
}
}
}
else
{
Logger.Warn($"在页面 {currentPageUrl} 未找到章节列表");
}
// 查找"下一页"链接
var nextPageNode = doc.DocumentNode.SelectSingleNode("//a");
if (nextPageNode != null)
{
var nextPageUrl = nextPageNode.GetAttributeValue("href", "");
if (!string.IsNullOrEmpty(nextPageUrl))
{
currentPageUrl = new Uri(new Uri(BaseUrl), nextPageUrl).AbsoluteUri;
Logger.Info($"正在获取下一页章节列表: {currentPageUrl}");
html = await GetHtmlAsync(currentPageUrl);
}
else
{
Logger.Warn("找到'下一页'链接，但URL为空");
break;
}
}
else
{
Logger.Info("未找到'下一页'链接，章节列表获取完成");
break;
}
}
if (chapters.Count == 0)
{
Logger.Warn("未找到任何章节");
}
else
{
Logger.Info($"总共获取到 {chapters.Count} 个章节");
}
return chapters;
}
/// <summary>
/// 处理所有章节，获取内容，使用并发控制
/// </summary>
private static async Task<string> ProcessChaptersAsync(List<Chapter> chapters)
{
var semaphore = new SemaphoreSlim(MaxConcurrency);
var tasks = chapters.Select(async chapter =>
{
try
{
await semaphore.WaitAsync();
chapter.Content = await GetChapterContentsAsync(chapter.Url);
UpdateConsoleTitle(); // 更新Console.Title
}
catch (Exception ex)
{
Logger.Error(ex, $"获取章节内容失败: {chapter.Url}");
}
finally
{
semaphore.Release();
}
});
await Task.WhenAll(tasks);
Console.Title = $"任务进度：{_totalTasks}/{_totalTasks}"; // 更新Console.Title为完成状态
return string.Join(Environment.NewLine + Environment.NewLine,
chapters.Select(chapter => $"{chapter.Title}{Environment.NewLine}{Environment.NewLine}{chapter.Content}"));
}
private static void UpdateConsoleTitle()
{
Interlocked.Increment(ref _completedTasks); // 增加已完成任务数
Console.Title = $"任务进度：{_completedTasks}/{_totalTasks}"; // 更新Console.Title
}
/// <summary>
/// 获取单个章节的内容
/// </summary>
private static async Task<string> GetChapterContentsAsync(string initialChapterUrl)
{
var contentBuilder = new StringBuilder();
var currentUrl = initialChapterUrl;
while (true)
{
var chapterHtml = await GetHtmlAsync(currentUrl);
var doc = new HtmlDocument();
doc.LoadHtml(chapterHtml);
var contentNodes = doc.DocumentNode.SelectNodes(XpathContents);
if (contentNodes != null)
{
foreach (var node in contentNodes)
{
//contentBuilder.AppendLine(node.InnerText.Trim());
contentBuilder.AppendLine(node.InnerHtml.Trim());
}
}
else
{
Logger.Warn($"在页面 {currentUrl} 未找到内容");
}
// 查找"下一页"链接
var nextPageNode = doc.DocumentNode.SelectSingleNode("//a");
if (nextPageNode != null)
{
var nextPageUrl = nextPageNode.GetAttributeValue("href", "");
if (!string.IsNullOrEmpty(nextPageUrl))
{
currentUrl = new Uri(new Uri(BaseUrl), nextPageUrl).AbsoluteUri;
Logger.Info($"正在获取下一页内容: {currentUrl}");
}
else
{
Logger.Info("找到'下一页'链接，但URL为空，章节内容获取完成");
break;
}
}
else
{
Logger.Info("未找到'下一页'链接，章节内容获取完成");
break;
}
}
var content = contentBuilder.ToString().Trim();
Logger.Info($"获取到的章节内容长度: {content.Length} 字符");
return content;
}
/// <summary>
/// 处理和清理小说内容
/// </summary>
private static string AmendContent(string content)
{
content = content.Replace("</p><p>", Environment.NewLine + Environment.NewLine)
.Replace("<br>", Environment.NewLine)
.Replace("<br/>", Environment.NewLine)
.Replace("<br />", Environment.NewLine);
content = System.Web.HttpUtility.HtmlDecode(content);
//字数：.*（新群）\*：匹配"字数：“后面跟着任意内容，最后以”（新群）*"结尾的部分。
//-->>.* 继续阅读）：匹配"–>>"后面跟着任意内容，最后以"继续阅读）"结尾的部分。
//|：表示逻辑或，匹配前一个或后一个表达式中的任意一个。
content = System.Text.RegularExpressions.Regex.Replace(content, @"字数：.*（新群）\*|-->>.*继续阅读）|【.*】", "\r\n\r\n");
var regex = new Regex("<.*?>", RegexOptions.Compiled);
return regex.Replace(content, string.Empty);
}
/// <summary>
/// 将处理后的内容写入文件
/// </summary>
private static async Task WriteToFileAsync(string content, string filePath)
{
try
{
var directory = Path.GetDirectoryName(filePath);
if (!string.IsNullOrEmpty(directory))
{
Directory.CreateDirectory(directory);
}
await File.WriteAllTextAsync(filePath, content, System.Text.Encoding.Default);
Logger.Info($"文件已成功写入: {filePath}");
}
catch (Exception ex)
{
Logger.Error(ex, $"写入文件时发生错误: {filePath}");
}
}
/// <summary>
/// 生成保存小说内容的文件路径
/// </summary>
private static string GetFilePath(string bookName)
{
var uri = new Uri(BaseUrl);
var domain = uri.Host;
return Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "下载", domain, $"{bookName}.txt");
}
/// <summary>
/// 获取指定URL的HTML内容
/// </summary>
private static async Task<string> GetHtmlAsync(string url)
{
for (int i = 0; i < MaxRetries; i++)
{
try
{
var response = await HttpClient.GetAsync(url);
response.EnsureSuccessStatusCode();
var responseBody = await response.Content.ReadAsByteArrayAsync();
var responseString = System.Text.Encoding.GetEncoding(Encoding).GetString(responseBody);
Logger.Info($"请求 {url} 成功，响应状态码: {(int)response.StatusCode}");
return responseString;
}
catch (HttpRequestException ex)
{
Logger.Warn($"请求 {url} 失败，{ex.Message}，10秒后重试...");
await Task.Delay(TimeSpan.FromSeconds(10));
}
}
Logger.Error($"多次请求 {url} 失败，已放弃。");
return string.Empty;
}
/// <summary>
/// 创建并配置HttpClient实例
/// </summary>
private static HttpClient CreateHttpClient()
{
var client = new HttpClient
{
BaseAddress = new Uri(BaseUrl)
};
client.DefaultRequestHeaders.Clear();
client.DefaultRequestHeaders.Add("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9");
client.DefaultRequestHeaders.Add("Accept-Language", "zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6");
client.DefaultRequestHeaders.Add("Cache-Control", "max-age=0");
client.DefaultRequestHeaders.Add("Connection", "keep-alive");
//Cookie可要可不要，请根据目标网站是否需要登录自行修改
client.DefaultRequestHeaders.Add("Cookie", "cJumpPV10861=1; autojumpPV10861=6; __51vcke__K0XyxJ3OaBItNhg9=3b3030a8-3fd7-5de0-8777-5218fa3ae91f; __51vuft__K0XyxJ3OaBItNhg9=1719545541437; __51uvsct__K0XyxJ3OaBItNhg9=7; PHPSESSID=363b7e9b0cf6d31cb701f1b747f8bc9c; autojumpStats10861=1; autojumpNum10861=1; cJumpPV10861=1; autojumpPV10861=3; __vtins__K0XyxJ3OaBItNhg9=%7B%22sid%22%3A%20%228336a7ae-3043-5bf6-a7c4-736a2d7c0f9c%22%2C%20%22vd%22%3A%208%2C%20%22stt%22%3A%20334475%2C%20%22dr%22%3A%203517%2C%20%22expires%22%3A%201719579012508%2C%20%22ct%22%3A%201719577212508%7D");
client.DefaultRequestHeaders.Add("Upgrade-Insecure-Requests", "1");
client.DefaultRequestHeaders.Add("User-Agent", "Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Mobile Safari/537.36 Edg/119.0.0.0");
return client;
}
#endregion
#region Inner Classes
/// <summary>
/// 表示小说的一个章节
/// </summary>
private class Chapter
{
public string Title { get; }
public string Url { get; }
public string Content { get; set; }
public Chapter(string title, string url)
{
Title = title;
Url = url;
Content = string.Empty;
}
}
#endregion
}
}
在Program.cs文件中用一下语句调用：
//为了使用GBK或者GB2312编码，注册System.Text.Encoding.CodePages编码包
Encoding.RegisterProvider(CodePagesEncodingProvider.Instance);
await shubaoju.ExecuteAsync("https://i.shubaoju.cc/html/8/8481/index.html");
最后补充说明，这个类是的核心功能是基于httpclient编写的，其实还可以通过httpClientFactory来编写，实现更加自由灵活和资源更小的自动管理，我也通过另外一个类实现了，不过调用太过复杂，还需要注册.NET CORE 服务，这里就先不提供给大家了，有兴趣的可以自行研究一下。 luxingyu329 发表于 2024-6-28 21:16
终于看到有.net爬取的示例了。
其实.NET写爬虫并不比Python复杂，只是因为语法更严谨，所以看起来代码多而已，但是在多线程和并发控制上，.Net要方便得多。 我没装VS2022和NET8.0,我想请教一下,VS2022+NET8.0,AOT编译的WINFORM程序到底是什么样的,能否用DNSPY类工具看到源代码? 终于看到有.net爬取的示例了。 能爬 需要付费才会显示的链接吗？ 可以尝试一下playwright 官网有.net使用方法
感觉用起来比较简单 .NET写爬虫并不比Python复杂 感谢分享，正在学习这方面的技术 gksj 发表于 2024-6-29 00:17
我没装VS2022和NET8.0,我想请教一下,VS2022+NET8.0,AOT编译的WINFORM程序到底是什么样的,能否用DNSPY类工具 ...
现在Winform还不能用AOT发布吧? . 我看你代码觉得你写得好繁琐...
页:
[1]
2