c#爬虫爬取京东的商品信息

2020-01-24 00:12:49

字体：大中小

来源：转载

供稿：网友

前言

在一个小项目中,需要用到京东的所有商品ID,因此就用c#写了个简单的爬虫。

在解析HTML中没有使用正则表达式，而是借助开源项目HtmlAgilityPack解析HTML。

下面话不多说了，来一起看看详细的介绍吧

一、下载网页HTML

首先我们写一个公共方法用来下载网页的HTML。

在写下载HTML方法之前，我们需要去查看京东网页请求头的相关信息，在发送请求时需要用到。

public static string DownloadHtml(string url, Encoding encode){ string html = string.Empty; try { HttpWebRequest request = WebRequest.Create(url) as HttpWebRequest; request.Timeout = 30 * 1000; request.UserAgent = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36"; request.ContentType = "text/html; charset=utf-8"; using (HttpWebResponse response = request.GetResponse() as HttpWebResponse) {  if (response.StatusCode == HttpStatusCode.OK)  {  try  {   StreamReader sr = new StreamReader(response.GetResponseStream(), encode);   html = sr.ReadToEnd();//读取数据   sr.Close();  }  catch (Exception ex)  {   html = null;  }  } } } catch (System.Net.WebException ex) {  html = null; } catch (Exception ex) { html = null; } return html;}

如上代码所示，我们使用WebRequest来获取网页信息，在发送请求之前，需要先设置和京东页面一样的请求头。

以上设置的信息比较简单，但能够正常发送请求，我们也可以模拟浏览器设置cookie等等信息，

二、解析HTML

获取所有商品的信息分为两个步骤

（1）根据商品分类页面获取所有商品分类的URL

（2）根据商品分类URL获取每个商品

1、获取商品分类

try{ string html = HttpHelper.DownloadUrl(@"http://www.jd.com/allSort.aspx"); HtmlDocument doc = new HtmlDocument(); doc.LoadHtml(html); string goodClass= @"//*[@class='items']/dl/dd"; HtmlNodeCollection noneNodeList = doc.DocumentNode.SelectNodes(goodClass); foreach (var node in noneNodeList) { HtmlDocument docChild = new HtmlDocument(); docChild.LoadHtml(node.OuterHtml); string urlPath = "/dd/a"; HtmlNodeCollection list = docChild.DocumentNode.SelectNodes(urlPath); foreach (var l in list) {  HtmlDocument docChild1 = new HtmlDocument();  docChild1.LoadHtml(l.OuterHtml);  var sortUrl = l.Attributes["href"].Value;  if (!string.IsNullOrWhiteSpace(sortUrl) && sortUrl.Contains("cat="))  {  InsertSort("https:" + sortUrl);  } } }}catch (Exception ex){ Console.WriteLine(ex.Message);}

上面的代码中使用到了HtmlAgilityPack来解析HTML信息，这是.NET的开源项目，开源在nuget包中下载。

（1）下载http://www.jd.com/allSort.aspx的html页，然后加载到HtmlDocument

（2）选择节点，获取每个大类的节点集合

（3）根据每个大类的节点，获取每个小类的节点信息，然后获取到分类地址

节点中也包含了其它很多信息，可以根据自己的需求去获取对应的信息

2、获取具体商品信息

（1）首先根据商品分类加载分类信息，获取到当前分类每个页面的链接

下载HTML之后，选择节点，可以将HTML格式化之后查看每个页面的url地址和拼接规则，然后借助HtmlAgilityPack

来筛选需要的节点，将每个页面的url分离出来

try{ string html = HttpHelper.DownloadUrl(@"https://list.jd.com/list.html?cat=1620,11158,11964"); HtmlDocument productDoc = new HtmlDocument(); productDoc.LoadHtml(html); HtmlNode pageNode = productDoc.DocumentNode.SelectSingleNode(@"//*[@id='J_topPage']/span/i"); if (pageNode != null) {  int pageNum = Convert.ToInt32(pageNode.InnerText);  for (int i = 1; i < pageNum + 1; i++)  {   string pageUrl = string.Format("{0}&page={1}", category.Url, i).Replace("&page=1&", string.Format("&page={0}&", i));   try   {    List<ProductInfo> proDuctInfo = GetPageProduct(pageUrl);   }   catch (Exception ex)   {    Console.WriteLine(ex.Message);   }  } } }catch (Exception ex){ Console.WriteLine(ex.Message);}

（2）根据每个页面的链接，获取当前页面的商品信息

下载每个页面的所有商品信息，需要获取的商品信息在页面中都能找到

首先我们获取到每个商品的节点集合，获取到一个商品的节点信息之后，分析html数据，

找到我们需要的商品的信息所在的位置，然后将需要的信息分离出来。

下面的代码中我获取到的商品的id和title还有价格。

List<ProductInfo> productInfoList = new List<ProductInfo>();try{ string html = HttpHelper.DownloadUrl(url); HtmlDocument doc = new HtmlDocument(); doc.LoadHtml(html); HtmlNodeCollection productNodeList = doc.DocumentNode.SelectNodes("//*[@id='plist']/ul/li"); if (productNodeList == null || productNodeList.Count == 0) {  return productInfoList; } foreach (var node in productNodeList) {  HtmlDocument docChild = new HtmlDocument();  docChild.LoadHtml(node.OuterHtml);  ProductInfo productInfo = new ProductInfo()  {   CategoryId = category.Id  };   HtmlNode urlNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a");  if (urlNode == null)  {   continue;  }  string newUrl= urlNode.Attributes["href"].Value;  newUrl = !newUrl.StartsWith("http:")?"http:" + newUrl: newUrl;  string sId = Path.GetFileName(newUrl).Replace(".html", "");  productInfo.ProductId = long.Parse(sId);  HtmlNode titleNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a/em");  if (titleNode == null)  {   continue;  }  productInfo.Title = titleNode.InnerText;    HtmlNode priceNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-price']/strong/i");  if (priceNode == null)  {   continue;  }  else  {   }  productInfoList.Add(productInfo);   } //批量获取价格 GetGoodsPrice(productInfoList);}catch (Exception ex){}return productInfoList;

商品的图片地址和价格信息的获取需要仔细分析html中的数据，然后找到规律，比如价格在每个节点中就不能单独获取。

以下为批量获取价格的代码：

try   {    StringBuilder sb = new StringBuilder();    sb.AppendFormat("http://p.3.cn/prices/mgets?callback=jQuery1069298&type=1&area=1_72_4137_0&skuIds={0}&pdbp=0&pdtk=&pdpin=&pduid=1945966343&_=1469022843655", string.Join("%2C", productInfoList.Select(c => string.Format("J_{0}", c.ProductId))));    string html = HttpHelper.DownloadUrl(sb.ToString());    if (string.IsNullOrWhiteSpace(html))    {     return productInfoList;    }    html = html.Substring(html.IndexOf("(") + 1);    html = html.Substring(0, html.LastIndexOf(")"));    List<CommodityPrice> priceList = JsonConvert.DeserializeObject<List<CommodityPrice>>(html);    productInfoList.ForEach(c => c.Price = priceList.FirstOrDefault(p => p.id.Equals(string.Format("J_{0}", c.ProductId))).p);   }   catch (Exception ex)   {    Console.WriteLine(ex.Message);   }   return productInfoList;

以上就是一个简单的爬取京东商品信息的爬虫，也可以根据自己的需求去解析更多的数据出来。

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对武林网的支持。

上一篇：C#随机数生成字母金字塔

下一篇：C#程序启动项的设置方法