使用HtmlAgilityPack爬取网站信息并存储到mysql

时间:2022-01-02 18:58:45

前言:打算做一个药材价格查询的功能,但刚开始一点数据都没有靠自己找信息录入的话很麻烦的,所以只有先到其它网站抓取存到数据库再开始做这个了。

HtmlAgilityPack在c#里应该很多人用吧,简单又强大。之前也用它做过几个爬取信息的小工具。不过很久了源代码都没有了,都忘了怎么用了,这次也是一点一点找资料慢慢做出来的!

(不过最麻烦的是将数据存到mysql,.net数据库我一直用的都是mssql,所以第一次做连接mysql遇到了好多问题。)

1、使用HtmlAgilityPack

  • 下载HtmlAgilityPack类库,并引用到你的项目

  我这里使用的控制台项目

使用HtmlAgilityPack爬取网站信息并存储到mysql

项目添加引用

使用HtmlAgilityPack爬取网站信息并存储到mysql

代码里添加引用


 

2、分析网页

  • 网页地址:http://www.zyctd.com/jiage/1-0-0-0.html

    首先看每一页的url变化,观察后发现这个很简单:

    第一页就是:1-0-0或者1-0-0-1表示第一页

    第二页就是:1-0-0-2一次类推

  • 然后再分析他的源代码使用HtmlAgilityPack爬取网站信息并存储到mysql

很明显这一页的数据都放在了ul标签里了,而且还有类名:<ul class="priceTableRows">,

然后再看下ul下的li标签,li标签里的html写的也都相同,然后就可以开始写代码抓取了。

使用HtmlAgilityPack爬取网站信息并存储到mysql

3、抓取信息

  • 首先新建一个类文件,来存储抓取的信息。因为我是直接存到数据库用的是ado.net实体数据模型生成的文件。
  • 下面是ado.net实体数据模型生成的文件:

 

//------------------------------------------------------------------------------
// <auto-generated>
//     此代码已从模板生成。
//
//     手动更改此文件可能导致应用程序出现意外的行为。
//     如果重新生成代码,将覆盖对此文件的手动更改。
// </auto-generated>
//------------------------------------------------------------------------------

namespace 测试项目1
{
    using System;
    using System.Collections.Generic;
    
    public partial class C33hao_price
    {
        public long ID { get; set; }
        public string Name { get; set; }
        public string Guige { get; set; }
        public string Shichang { get; set; }
        public decimal Price { get; set; }
        public string Zoushi { get; set; }
        public decimal Zhouzd { get; set; }
        public decimal Yuezd { get; set; }
        public decimal Nianzd { get; set; }
        public int editDate { get; set; }
        public string other { get; set; }
    }
}

 

  • 下面这个是刚开始测试存到本地时写的类:
  • using System;
    using System.Collections.Generic;
    using System.Linq;
    using System.Text;
    using System.Threading.Tasks;
    
    namespace 测试项目1
    {
        public class Product
        {
            /// <summary>
            /// 品名
            /// </summary>
            public string Name { get; set; }
            /// <summary>
            /// 规格
            /// </summary>
            public string Guige { get; set; }
            /// <summary>
            /// 市场
            /// </summary>
            public string Shichang { get; set; }
            /// <summary>
            /// 最新价格
            /// </summary>
            public string Price { get; set; }
            /// <summary>
            /// 走势
            /// </summary>
            public string Zoushi { get; set; }
            /// <summary>
            /// 周涨跌
            /// </summary>
            public string Zhouzd { get; set; }
            /// <summary>
            /// 月涨跌
            /// </summary>
            public string Yuezd { get; set; }
            /// <summary>
            /// 年涨跌
            /// </summary>
            public string Nianzt { get; set; }
    
        }
    }

    下面是主要的处理代码

  • using System;
    using System.Collections.Generic;
    using System.Linq;
    using System.Text;
    using System.Threading.Tasks;
    using HtmlAgilityPack;
    using System.IO;
    using Newtonsoft.Json;
    using Newtonsoft.Json.Converters;
    
    namespace 测试项目1
    {
        public class Program
        {
            /// <summary>
            /// 本地测试信息类
            /// </summary>
            static List<Product> ProductList = new List<Product>();
            /// <summary>
            /// 数据库生成的信息类
            /// </summary>
            static List<C33hao_price> PriceList = new List<C33hao_price>();
            public static void Main(string[] args)
            {
                
                int start = 1;//开始页数
                int end = 10;//结束页数
                Console.WriteLine("请输入开始和结束页数例如1-100,默认为1-10");
                string index = Console.ReadLine();//获取用户输入的页数
                
                if(index != "")
                {
                    //分割页数
                    string[] stt = index.Split('-');
                    start = Int32.Parse(stt[0]);
                    end = Int32.Parse(stt[1]);
                }
                //循环抓取
                for(int i = start; i<= end; i++)
                {
                    string url = string.Format("http://www.zyctd.com/jiage/1-0-0-{0}.html", i);
    
    
                HtmlWeb web = new HtmlWeb();
                HtmlDocument doc = web.Load(url);//获取网页
                    
                HtmlNode node = doc.DocumentNode;
                string xpathstring = "//ul[@class='priceTableRows']/li";//路径  
                HtmlNodeCollection aa = node.SelectNodes(xpathstring);//获取每一页ul下的所有li标签里的html
                    if (aa == null)
                    {
                        Console.WriteLine("出错:当前页为{0}", i.ToString());
                        continue;
                    }
                foreach(var item in aa)
                {
                    //处理li标签信息添加到集合
                    string cc = item.InnerHtml;
                    test(cc);
                    
                }
                }
                //写入json并存到本地
                //string path = "json/test.json";
                //using(StreamWriter sw = new StreamWriter(path))
                //{
                //    try
                //    {
                //        JsonSerializer serializer = new JsonSerializer();
                //        serializer.Converters.Add(new JavaScriptDateTimeConverter());
                //        serializer.NullValueHandling = NullValueHandling.Ignore;
                //        //构建Json.net的写入流
                //        JsonWriter writer = new JsonTextWriter(sw);
                //        //把模型数据序列化并写入Json.net的JsonWriter流中  
                //        serializer.Serialize(writer,ProductList);
                //        //ser.Serialize(writer, ht);  
                //        writer.Close();
                //        sw.Close();
                //    }
                //    catch (Exception ex)
                //    {
                //        string error = ex.Message.ToString();
                //        Console.WriteLine(error);
                //    }
                //}
                int count = PriceList.Count();//抓取到的信息条数
                Console.WriteLine("获取信息{0}条", count);
                Console.WriteLine("开始添加到数据库");
                Insert();//插入到数据库
                Console.WriteLine("数据添加完毕");
                Console.ReadLine();
            }
            /// <summary>
            /// 处理信息并添加到集合中
            /// </summary>
            /// <param name="str">li标签的html内容</param>
            static void test(string str)
            {
                //Product product = new Product();
                C33hao_price Price = new C33hao_price();
    
                HtmlDocument doc = new HtmlDocument();
                doc.LoadHtml(str);
                HtmlNode node = doc.DocumentNode;
                //获取药材名称
                string namepath = "//span[@class='w1']/a[1]";//名称路径
                HtmlNodeCollection DomNode = node.SelectNodes(namepath);//根据路径获取内容
                //product.Name = DomNode[0].InnerText;
                Price.Name = DomNode[0].InnerText;//将内容添加到对象中
                //获取规格
                string GuigePath = "//span[@class='w2']/a[1]";
                DomNode = node.SelectNodes(GuigePath);
                //product
                Price.Guige = DomNode[0].InnerText;
                //获取市场名称
                string adsPath = "//span[@class='w9']";
                DomNode = node.SelectNodes(adsPath);
                Price.Shichang = DomNode[0].InnerText;
                //获取最新价格
                string pricePath = "//span[@class='w3']";
                DomNode = node.SelectNodes(pricePath);
                Price.Price = decimal.Parse(DomNode[0].InnerText);
                //获取走势
                string zoushiPath = "//span[@class='w4']";
                DomNode = node.SelectNodes(zoushiPath);
                Price.Zoushi = DomNode[0].InnerText;
                //获取周涨跌
                string zhouzdPath = "//span[@class='w5']/em[1]";
                DomNode = node.SelectNodes(zhouzdPath);
                Price.Zhouzd = decimal.Parse(GetZD(DomNode[0].InnerText));
                //获取月涨跌
                string yuezdPath = "//span[@class='w6']/em[1]";
                DomNode = node.SelectNodes(yuezdPath);
                Price.Yuezd = decimal.Parse(GetZD(DomNode[0].InnerText));
                //获取年涨跌
                string nianzdPath = "//span[@class='w7']/em[1]";
                DomNode = node.SelectNodes(nianzdPath);
                Price.Nianzd = decimal.Parse(GetZD(DomNode[0].InnerText));
                //添加时间
                Price.editDate = Int32.Parse(GetTimeStamp());//转换为时间戳格式,方便php使用
                //ProductList.Add(product);
                PriceList.Add(Price);//添加到对象集合
            }
    
            //查询
            static void Query()
            {
                var context = new mallEntities();
                var member = from e in context.member select e;
                foreach(var u in member)
                {
                    Console.WriteLine(u.member_name);
                    Console.WriteLine(u.member_mobile);
                }
                Console.ReadLine();
            }
            //插入
            static void Insert()
            {
                var context = new mallEntities();
                C33hao_price Price = new C33hao_price();
                int i = 0;
                foreach (C33hao_price item in PriceList)
                {
                    context.C33hao_price.Add(item);
                    context.SaveChanges();
                    i++;
                    Console.WriteLine("{0}/{1}", i, PriceList.Count);
                }
            }
            /// <summary>  
            /// 获取时间戳  
            /// </summary>  
            /// <returns></returns>  
            public static string GetTimeStamp()
            {
                TimeSpan ts = DateTime.UtcNow - new DateTime(1970, 1, 1, 0, 0, 0, 0);
                return Convert.ToInt64(ts.TotalSeconds).ToString();
            }
            /// <summary>
            /// 去除字符串中的百分比
            /// </summary>
            /// <param name="str">处理的字符串</param>
            /// <returns></returns>
            public static string GetZD(string str)
            {
                string st = str.Substring(0, str.Length - 1);
                return st;
            }
    
        }
    }
  • 以上代码主要是存到数据库,下面说下怎么存到本地。
  • 4、存储到本地

  存储到本地只需要把test方法里的Price对象改为Product类型,然后再add到ProductList集合里,再把注释的//写入json并存到本地//方法取消注释就好了。

  • 5、连接到mysql

  待续。。。。。。。。。。