利用C#实现最基本的小说爬虫示例代码

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：

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

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，谢谢大家对的支持。