上一章节中我们实现了对优酷单页面的爬取，简单进行回顾一下，使用 HtmlAgilityPack 库，对爬虫的爬取一共分为三步
- 加载页面
- 解析数据
- 保存数据
继第一篇文档后的爬虫进阶，本文章主要是对上一篇的进阶。实现的功能主要为：
1、爬取电影类别列表
2、循环每个类别的电影信息，对每个类别的信息分页爬取
3、爬取的数据保存到数据库中
一、爬取电影类别列表
使用 Chrome 浏览器，F12，找到当前位置，得到当前位置的 Xpath。我们需要的数据是电影的类别编码和电影类别名称。
规则分析：
XPATH 路径为 "//*[@id='filterPanel']/div/ul/li/a")
类别编码为 A 标签 Href 路径的内容，我们对其进行截取
类别名称为 A 标签 InnerTest，我们对其进行截取
代码示例
//加载web内容 private static readonly string _url = "http://list.youku.com/category/video/c_0.html";
/// <summary> /// 得到所有的类别 /// </summary> public static List<VideoType> GetVideoTypes() { //加载web内容 var web = new HtmlWeb(); var doc = web.Load(_url);
//内容解析-获得所有的类别 var allTypes = doc.DocumentNode.SelectNodes("//*[@id='filterPanel']/div/ul/li/a").ToList();
//类别列表中去掉【全部】这个选项 var typeResults = allTypes.Where((u, i) => { return i > 0; }).ToList();
var reList = new List<VideoType>(); foreach (var node in typeResults) { var href = node.Attributes["href"].Value; reList.Add(new VideoType { Code = href.Substring(href.LastIndexOf("/") + 1, href.LastIndexOf(".") - href.LastIndexOf("/") - 1), Name = node.InnerText }); }
return reList; }
复制代码
二、爬取每个类别的总分页数
code 为电影类别编码
页面规则 $"http://list.youku.com/category/show/{code}.html"
根据页面规则进行爬取：
/// <summary> /// 得到当前类别的总页数 /// </summary> public static int GetPageCountByCode(string code) { var web = new HtmlWeb(); var doc = web.Load($"http://list.youku.com/category/show/{code}.html");
//分页列表 var pageList = doc.DocumentNode.CssSelect(".yk-pages li").ToList(); //得到倒数第二项 var lastsecond = pageList[pageList.Count - 2]; return Convert.ToInt32(lastsecond.InnerText); }
复制代码
三、按照页码得到每个电影类别的内容
根据分页规则分析出分页后的地址为
code 为编码 pageIndex 为第几页
页面规则：http://list.youku.com/category/show/{code}s1_d_1p{pageIndex}.html
根据页面规则进行爬取：
/// <summary> /// 得到当前类别的内容 /// </summary> public static List<VideoContent> GetContentsByCode(string code, int pageIndex) { var web = new HtmlWeb(); var doc = web.Load($"http://list.youku.com/category/show/{code}_s_1_d_1_p_{pageIndex}.html");
var returnLi = new List<VideoContent>(); var contents = doc.DocumentNode.CssSelect(".yk-col4").ToList();
foreach (var node in contents) returnLi.Add(new VideoContent { PageIndex = pageIndex.ToString(), Code = code, Title = node.CssSelect(".info-list .title a").FirstOrDefault()?.InnerText, Hits = node.CssSelect(".info-list li").LastOrDefault()?.InnerText, Href = node.CssSelect(".info-list .title a").FirstOrDefault()?.Attributes["href"].Value, ImgHref = node.CssSelect(".p-thumb img").FirstOrDefault()?.Attributes["Src"].Value });
return returnLi; }
复制代码
四、测试爬取的结果
/// <summary> /// 打印得到的内容 /// </summary> public static void PrintContent() { var count = 0; foreach (var node in GetVideoTypes()) { var resultLi = new List<VideoContent>(); //得到当前类别总分页数 var pageCount = GetPageCountByCode(node.Code); //遍历分页得到内容 for (var i = 1; i <= pageCount; i++) resultLi.AddRange(GetContentsByCode(node.Code, i)); Console.WriteLine($"编码{node.Code} \t 页数{pageCount} \t 总个数{resultLi.Count}"); count += resultLi.Count; }
Console.WriteLine($"总个数为{count}"); }
复制代码
代码下载地址：
https://github.com/happlyfox/FoxCrawler/tree/master/%E5%AD%A6%E4%B9%A0%E7%A4%BA%E4%BE%8B/YouKuCrawler/YouKuCrawlerAsync
复制代码
评论