利用C#實(shí)現(xiàn)最基本的小說(shuō)爬蟲示例代碼

更新時(shí)間：2017年10月11日 10:24:57 作者：XinYiBuFang

最近在學(xué)習(xí)c#，碰巧遇到個(gè)小說(shuō)站不錯(cuò)，就索性當(dāng)個(gè)練習(xí)，所以這篇文章主要給大家介紹了關(guān)于利用C#實(shí)現(xiàn)最基本的小說(shuō)爬蟲的相關(guān)資料，文中給出了詳細(xì)的示例代碼供大家參考學(xué)習(xí)，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧。

前言

作為一個(gè)新手，最近在學(xué)習(xí)C#,自己折騰弄了個(gè)簡(jiǎn)單的小說(shuō)爬蟲，實(shí)現(xiàn)了把小說(shuō)內(nèi)容爬下來(lái)寫入txt，還只能爬指定網(wǎng)站。

第一次搞爬蟲，涉及到了網(wǎng)絡(luò)協(xié)議，正則表達(dá)式，弄得手忙腳亂跑起來(lái)效率還差勁，慢慢改吧。下面話不多說(shuō)了，來(lái)一起看看詳細(xì)的介紹吧。

爬的目標(biāo)：http://www.166xs.com/xiaoshuo/83/83557/

一、先寫HttpWebRequest把網(wǎng)站扒下來(lái)

這里有幾個(gè)坑，大概說(shuō)下：

第一個(gè)就是記得弄個(gè)代理IP爬網(wǎng)站，第一次忘了弄代理然后ip就被封了。。。。。

第二個(gè)就是要判斷網(wǎng)頁(yè)是否壓縮，第一次沒(méi)弄結(jié)果各種轉(zhuǎn)碼gbk utf都是亂碼。后面解壓就好了。

/// <summary>
  /// 抓取網(wǎng)頁(yè)并轉(zhuǎn)碼
  /// </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;

   //設(shè)置代理屬性WebProxy-------------------------------------------------
   WebProxy proxy = new WebProxy("111.13.7.120", 80);
   //在發(fā)起HTTP請(qǐng)求前將proxy賦值給HttpWebRequest的Proxy屬性
   Web_Request.Proxy = proxy;

   HttpWebResponse Web_Response = (HttpWebResponse)Web_Request.GetResponse();

   if (Web_Response.ContentEncoding.ToLower() == "gzip")  // 如果使用了GZip則先解壓
   {
    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、下面就是用正則處理內(nèi)容了，由于正則表達(dá)式不熟悉所以重復(fù)動(dòng)作太多。

1.先獲取網(wǎng)頁(yè)內(nèi)容

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

2.獲取書名和文章列表

書名

文章列表

string Novel_Name = Regex.Match(html, @"(?<=<h1>)([\S\s]*?)(?=</h1>)").Value; //獲取書名

   Regex Regex_Menu = new Regex(@"(?is)(?<=<dl class=""book_list"">).+?(?=</dl>)");
   string Result_Menu = Regex_Menu.Match(html).Value; //獲取列表內(nèi)容


   Regex Regex_List = new Regex(@"(?is)(?<=<dd>).+?(?=</dd>)");
   var Result_List = Regex_List.Matches(Result_Menu); //獲取列表集合

3.因?yàn)檎鹿?jié)列表前面有多余的<dd>,所以要剔除

int i = 0; //計(jì)數(shù)
   string Menu_Content = ""; //所有章節(jié)
   foreach (var x in Result_List)
   {
    if (i < 4)
    {
     //前面五個(gè)都不是章節(jié)列表，所以剔除
    }
    else
    {
     Menu_Content += x.ToString();
    }
    i++;
   }

4.然后獲取<a>的href和innerHTML，然后遍歷訪問(wèn)獲得內(nèi)容和章節(jié)名稱并處理，然后寫入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); //獲取href鏈接和a標(biāo)簽 innerHTML 

   string Novel_Path = Directory.GetCurrentDirectory() + "\\Novel\\" + Novel_Name + ".txt";  //小說(shuō)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, "");//獲取內(nèi)容頁(yè)

    Regex Rege_Content = new Regex(@"(?is)(?<=<p class=""Book_Text"">).+?(?=</p>)");
    string Result_Content = Rege_Content.Match(Content_Html).Value; //獲取文章內(nèi)容


    Regex Regex_Main = new Regex(@"(&nbsp;&nbsp;&nbsp;&nbsp;)(.*)");
    string Rsult_Main = Regex_Main.Match(Result_Content).Value; //正文   
    string Screen_Content = Rsult_Main.Replace("&nbsp;", "").Replace("<br />", "\r\n");

    Write_Content.WriteLine(Content_Text + "\r\n");//寫入標(biāo)題
    Write_Content.WriteLine(Screen_Content);//寫入內(nèi)容
   }


   Write_Content.Dispose();
   Write_Content.Close();
   MessageBox.Show(Novel_Name+".txt 創(chuàng)建成功！");
   System.Diagnostics.Process.Start(Directory.GetCurrentDirectory() + \\Novel\\);

三、小說(shuō)寫入成功