玩玩小爬虫——抓取时的几个小细节

      这一篇我们聊聊在页面抓取时应该注意到的几个问题。

一：网页更新

     我们知道，一般网页中的信息是不断翻新的，这也要求我们定期的去抓这些新信息，但是这个“定期”该怎么理解，也就是多长时间需要

抓一次该页面，其实这个定期也就是页面缓存时间，在页面的缓存时间内我们再次抓取该网页是没有必要的，反而给人家服务器造成压力。

就比如说我要抓取博客园首页，首先清空页面缓存，

从Last-Modified到Expires，我们可以看到，博客园的缓存时间是2分钟，而且我还能看到当前的服务器时间Date，如果我再次

刷新页面的话，这里的Date将会变成下图中 If-Modified-Since,然后发送给服务器，判断浏览器的缓存有没有过期？

最后服务器发现If-Modified-Since >= Last-Modifined的时间，服务器也就返回304了，不过发现这cookie信息真是贼多啊。。。

在实际开发中，如果在知道网站缓存策略的情况下，我们可以让爬虫2min爬一次就好了，当然这些都是可以由数据团队来配置维护了，

好了，下面我们用爬虫模拟一下。

using System;
using System.Net;

namespace ConsoleApplication2
{
    public class Program
    {
        static void Main(string[] args)
        {
            DateTime prevDateTime = DateTime.MinValue;

            for (int i = 0; i < 10; i++)
            {
                try
                {
                    var url = "http://cnblogs.com";

                    var request = (HttpWebRequest)HttpWebRequest.Create(url);

                    request.Method = "Head";

                    if (i > 0)
                    {
                        request.IfModifiedSince = prevDateTime;
                    }

                    request.Timeout = 3000;

                    var response = (HttpWebResponse)request.GetResponse();

                    var code = response.StatusCode;

                    //如果服务器返回状态是200，则认为网页已更新，记得当时的服务器时间
                    if (code == HttpStatusCode.OK)
                    {
                        prevDateTime = Convert.ToDateTime(response.Headers[HttpResponseHeader.Date]);
                    }

                    Console.WriteLine("当前服务器的状态码:{0}", code);
                }
                catch (WebException ex)
                {
                    if (ex.Response != null)
                    {
                        var code = (ex.Response as HttpWebResponse).StatusCode;

                        Console.WriteLine("当前服务器的状态码:{0}", code);
                    }
                }
            }
        }
    }
}

 

二：网页编码的问题

     有时候我们已经抓取到网页了，准备去解析的时候，tmd的全部是乱码，真是操蛋，比如下面这样，

或许我们依稀的记得在html的meta中有一个叫做charset的属性，里面记录的就是编码方式，还有一个要点就是

response.CharacterSet这个属性中同样也记录了编码方式，下面我们再来试试看。

艹，居然还是乱码，蛋疼了，这次需要到官网上面去看一看，到底http头信息里面都交互了些什么，凭什么浏览器能正常显示，

爬虫爬过来的就不行。

查看了http头信息，终于我们知道了，浏览器说我可以解析gzip,deflate,sdch这三种压缩方式，服务器发送的是gzip压缩，到这里

我们也应该知道了常用的web性能优化。

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading;
using HtmlAgilityPack;
using System.Text.RegularExpressions;
using System.Net;
using System.IO;
using System.IO.Compression;

namespace ConsoleApplication2
{
    public class Program
    {
        static void Main(string[] args)
        {
            //var currentUrl = "http://www.mm5mm.com/";

            var currentUrl = "http://www.sohu.com/";

            var request = WebRequest.Create(currentUrl) as HttpWebRequest;

            var response = request.GetResponse() as HttpWebResponse;

            var encode = string.Empty;

            if (response.CharacterSet == "ISO-8859-1")
                encode = "gb2312";
            else
                encode = response.CharacterSet;

            Stream stream;

            if (response.ContentEncoding.ToLower() == "gzip")
            {
                stream = new GZipStream(response.GetResponseStream(), CompressionMode.Decompress);
            }
            else
            {
                stream = response.GetResponseStream();
            }

            var sr = new StreamReader(stream, Encoding.GetEncoding(encode));

            var html = sr.ReadToEnd();
        }
    }
}

 

 三：网页解析

既然经过千辛万苦拿到了网页，下一个就要解析了，当然正则匹配是个好方法，毕竟工作量还是比较大的，可能业界也比较推崇

HtmlAgilityPack这个解析工具，能够将Html解析成XML，然后可以用XPath去提取指定的内容，大大提高了开发速度，性能也

不赖，毕竟Agility也就是敏捷的意思，关于XPath的内容，大家看懂W3CSchool的这两张图就OK了。

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading;
using HtmlAgilityPack;
using System.Text.RegularExpressions;
using System.Net;
using System.IO;
using System.IO.Compression;

namespace ConsoleApplication2
{
    public class Program
    {
        static void Main(string[] args)
        {
            //var currentUrl = "http://www.mm5mm.com/";

            var currentUrl = "http://www.sohu.com/";

            var request = WebRequest.Create(currentUrl) as HttpWebRequest;

            var response = request.GetResponse() as HttpWebResponse;

            var encode = string.Empty;

            if (response.CharacterSet == "ISO-8859-1")
                encode = "gb2312";
            else
                encode = response.CharacterSet;

            Stream stream;

            if (response.ContentEncoding.ToLower() == "gzip")
            {
                stream = new GZipStream(response.GetResponseStream(), CompressionMode.Decompress);
            }
            else
            {
                stream = response.GetResponseStream();
            }

            var sr = new StreamReader(stream, Encoding.GetEncoding(encode));

            var html = sr.ReadToEnd();

            sr.Close();

            HtmlDocument document = new HtmlDocument();

            document.LoadHtml(html);

            //提取title
            var title = document.DocumentNode.SelectSingleNode("//title").InnerText;

            //提取keywords
            var keywords = document.DocumentNode.SelectSingleNode("//meta[@name='Keywords']").Attributes["content"].Value;
        }
    }
}