我正在尝试从下面提到的网站中提取价格。我正在使用AngleSharp进行提取。在网站上,价格列在下面(例如):

<span class="c-price">650.00                            </span>


我正在使用以下代码进行提取。

using AngleSharp.Parser.Html;
using System.Net;
using System.Net.Http

//Make the request
var uri = "https://meadjohnson.world.tmall.com/search.htm?search=y&orderType=defaultSort&scene=taobao_shop";
var cancellationToken = new CancellationTokenSource();
var httpClient = new HttpClient();
var request = await httpClient.GetAsync(uri);
cancellationToken.Token.ThrowIfCancellationRequested();

//Get the response stream
var response = await request.Content.ReadAsStreamAsync();
cancellationToken.Token.ThrowIfCancellationRequested();

//Parse the stream
var parser = new HtmlParser();
var document = parser.Parse(response);

//Do something with LINQ
var pricesListItemsLinq = document.All
     .Where(m => m.LocalName == "span" && m.ClassList.Equals("c-price"));
Console.WriteLine(pricesListItemsLinq.Count());


但是,我没有任何物品,但是它们在网站上。我究竟做错了什么?如果不是AngleSharp推荐的方法,我应该怎么用?我应该使用什么代码?

最佳答案

我在聚会上迟到了,但是我想在这里带来一些理智。

查询静态网页

为此,我们需要以下工具/功能集:


HTTP请求者(通过HTTP获得资源,例如HTML文档),可能在其顶部具有SSL / TLS层(接受所有证书或针对证书存储/已知的CA)
HTML解析器
解析的HTML文档的可查询对象模型表示形式
也许另外还有一些cookie状态以及跟踪链接/发布表格的能力


AngleSharp为我们提供了所有这些选项(减去与证书存储/已知CA的连接;因此,要使用HTTPS,我们必须进行一些其他配置,例如,接受所有证书)。

我们将从创建一个AngleSharp配置开始,该配置定义了浏览引擎可用的功能。该引擎以“浏览上下文”的形式公开,可以视为无头标签。在此选项卡中,我们可以打开一个新文档(从本地源,构造源或远程源)。

var config = Configuration.Default.WithDefaultLoader();
var context = BrowsingContext.New(config);
var document = await context.OpenAsync("http://example.com");


有了文档后,我们就可以使用CSS查询选择器来获取某些元素。这些元素可用于收集我们寻找的信息。

AngleSharp包含LINQ(或通常的IEnumerable),但是,如果可能的话,赋予查询全部功能是有意义的。

所以代替

var pricesListItemsLinq = document.All
    .Where(m => m.LocalName == "span" && m.ClassList.Equals("c-price"));


我们写

var pricesListItemsLinq = document.QuerySelectorAll("span.c-price");


这也更加健壮(ClassList始终是允许访问类列表的复杂对象,因此您的意思是ClassList.ContainsClassName.Equals(后者是字符串表示形式)注意:这两个版本是这是不相等的,因为前者正在寻找类别列表中的一个类别,而后者正在寻找整个类别序列化的匹配项(因此在匹配项上提出了一些额外的边界条件;它必须是唯一的类别)。

处理动态页面

这要复杂得多。基本知识与以前相同,但是引擎需要提供的不仅仅是上述要求。另外,我们需要


JavaScript引擎
有效的CSSOM
伪(甚至完全计算)的渲染树
在实际的浏览器中可以找到更多的DOM接口(例如,导航器,完整的历史记录,网络工作者等)-这里的列表是无限的


尽管有一个项目向AngleSharp提供了一个实验性的(并且是有限的)仅C#的JS引擎,但是后两项要求目前无法完全满足。此外,对于一个或另一个Web应用程序,CSSOM可能也不够完整。请记住,这些页面可能是为实际浏览器设计的。他们做出某些假设。他们甚至可能需要用户输入(例如Google Captcha)。

长话短说。

var config = Configuration.Default
    .WithDefaultLoader()
    .WithCss()
    .WithJavaScript(); // maybe even more
var context = BrowsingContext.New(config);


打开新文档时,await后面的Task等效于DOM中的load事件。因此,当下载并解析文档时,它将不会触发,只有在所有脚本(包括脚本)已加载(并可能运行)后,才会触发。需要下载的资源。

希望这个对你有帮助!

09-25 13:18