利用C#实现最基本的小说爬虫示例代码

2020-01-24 00:27:09

字体：大中小

来源：转载

供稿：网友

前言

作为一个新手，最近在学习C#,自己折腾弄了个简单的小说爬虫，实现了把小说内容爬下来写入txt，还只能爬指定网站。

第一次搞爬虫，涉及到了网络协议，正则表达式，弄得手忙脚乱跑起来效率还差劲，慢慢改吧。下面话不多说了，来一起看看详细的介绍吧。

爬的目标：http://www.166xs.com/xiaoshuo/83/83557/

一、先写HttpWebRequest把网站扒下来

这里有几个坑，大概说下：

第一个就是记得弄个代理IP爬网站，第一次忘了弄代理然后ip就被封了。。。。。

第二个就是要判断网页是否压缩，第一次没弄结果各种转码gbk utf都是乱码。后面解压就好了。

/// <summary>  /// 抓取网页并转码  /// </summary>  /// <param name="url"></param>  /// <param name="post_parament"></param>  /// <returns></returns>  public string HttpGet(string url, string post_parament)  {   string html;   HttpWebRequest Web_Request = (HttpWebRequest)WebRequest.Create(url);   Web_Request.Timeout = 30000;   Web_Request.Method = "GET";   Web_Request.UserAgent = "Mozilla/4.0";   Web_Request.Headers.Add("Accept-Encoding", "gzip, deflate");   //Web_Request.Credentials = CredentialCache.DefaultCredentials;   //设置代理属性WebProxy-------------------------------------------------   WebProxy proxy = new WebProxy("111.13.7.120", 80);   //在发起HTTP请求前将proxy赋值给HttpWebRequest的Proxy属性   Web_Request.Proxy = proxy;   HttpWebResponse Web_Response = (HttpWebResponse)Web_Request.GetResponse();   if (Web_Response.ContentEncoding.ToLower() == "gzip")  // 如果使用了GZip则先解压   {    using (Stream Stream_Receive = Web_Response.GetResponseStream())    {     using (var Zip_Stream = new GZipStream(Stream_Receive, CompressionMode.Decompress))     {      using (StreamReader Stream_Reader = new StreamReader(Zip_Stream, Encoding.Default))      {       html = Stream_Reader.ReadToEnd();      }     }    }   }   else   {    using (Stream Stream_Receive = Web_Response.GetResponseStream())    {     using (StreamReader Stream_Reader = new StreamReader(Stream_Receive, Encoding.Default))     {      html = Stream_Reader.ReadToEnd();     }    }   }   return html;  }

二、下面就是用正则处理内容了，由于正则表达式不熟悉所以重复动作太多。

1.先获取网页内容

 IWebHttpRepository webHttpRepository = new WebHttpRepository();   string html = webHttpRepository.HttpGet(Url_Txt.Text, "");

2.获取书名和文章列表

书名

文章列表

string Novel_Name = Regex.Match(html, @"(?<=<h1>)([/S/s]*?)(?=</h1>)").Value; //获取书名   Regex Regex_Menu = new Regex(@"(?is)(?<=<dl class=""book_list"">).+?(?=</dl>)");   string Result_Menu = Regex_Menu.Match(html).Value; //获取列表内容   Regex Regex_List = new Regex(@"(?is)(?<=<dd>).+?(?=</dd>)");   var Result_List = Regex_List.Matches(Result_Menu); //获取列表集合

3.因为章节列表前面有多余的<dd>,所以要剔除

int i = 0; //计数   string Menu_Content = ""; //所有章节   foreach (var x in Result_List)   {    if (i < 4)    {     //前面五个都不是章节列表，所以剔除    }    else    {     Menu_Content += x.ToString();    }    i++;   }

4.然后获取<a>的href和innerHTML，然后遍历访问获得内容和章节名称并处理，然后写入txt

Regex Regex_Href = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""/s>]+)/1[^>]*>(?<text>(?:(?!</?a/b).)*)</a>");   MatchCollection Result_Match_List = Regex_Href.Matches(Menu_Content); //获取href链接和a标签 innerHTML    string Novel_Path = Directory.GetCurrentDirectory() + "//Novel//" + Novel_Name + ".txt";  //小说地址   File.Create(Novel_Path).Close();   StreamWriter Write_Content = new StreamWriter(Novel_Path);   foreach (Match Result_Single in Result_Match_List)   {    string Url_Text = Result_Single.Groups["url"].Value;    string Content_Text = Result_Single.Groups["text"].Value;    string Content_Html = webHttpRepository.HttpGet(Url_Txt.Text + Url_Text, "");//获取内容页    Regex Rege_Content = new Regex(@"(?is)(?<=<p class=""Book_Text"">).+?(?=</p>)");    string Result_Content = Rege_Content.Match(Content_Html).Value; //获取文章内容    Regex Regex_Main = new Regex(@"(    )(.*)");    string Rsult_Main = Regex_Main.Match(Result_Content).Value; //正文       string Screen_Content = Rsult_Main.Replace(" ", "").Replace("<br />", "/r/n");    Write_Content.WriteLine(Content_Text + "/r/n");//写入标题    Write_Content.WriteLine(Screen_Content);//写入内容   }   Write_Content.Dispose();   Write_Content.Close();   MessageBox.Show(Novel_Name+".txt 创建成功！");   System.Diagnostics.Process.Start(Directory.GetCurrentDirectory() + //Novel//);

三、小说写入成功