在一个小项目中,需要用到京东的所有商品ID,因此就用c#写了个简单的爬虫。
在解析HTML中没有使用正则表达式，而是借助开源项目HtmlAgilityPack解析HTML。
一、下载网页HTML
首先我们写一个公共方法用来下载网页的HTML。
在写下载HTML方法之前，我们需要去查看京东网页请求头的相关信息，在发送请求时需要用到。
public static string DownloadHtml(string url, Encoding encode)
{
string html = string.Empty;
try
{
HttpWebRequest request = WebRequest.Create(url) as HttpWebRequest;
request.Timeout = 30 * 1000;
request.UserAgent = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36";
request.ContentType = "text/html; charset=utf-8";
using (HttpWebResponse response = request.GetResponse() as HttpWebResponse)
{
if (response.StatusCode == HttpStatusCode.OK)
{
try
{
StreamReader sr = new StreamReader(response.GetResponseStream(), encode);
html = sr.ReadToEnd();//读取数据
sr.Close();
}
catch (Exception ex)
{
html = null;
}
}
}
}
catch (System.Net.WebException ex)
{
html = null;
}
catch (Exception ex)
{
html = null;
}
return html;
}
如上代码所示，我们使用WebRequest来获取网页信息，在发送请求之前，需要先设置和京东页面一样的请求头。
以上设置的信息比较简单，但能够正常发送请求，我们也可以模拟浏览器设置cookie等等信息，
二、解析HTML
获取所有商品的信息分为两个步骤
（1）根据商品分类页面获取所有商品分类的URL
（2）根据商品分类URL获取每个商品
1、获取商品分类
try
{
string html = HttpHelper.DownloadUrl(@"http://www.jd.com/allSort.aspx");
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(html);
string goodClass= @"//*[@class='items']/dl/dd";
HtmlNodeCollection noneNodeList = doc.DocumentNode.SelectNodes(goodClass);
foreach (var node in noneNodeList)
{
HtmlDocument docChild = new HtmlDocument();
docChild.LoadHtml(node.OuterHtml);
string urlPath = "/dd/a";
HtmlNodeCollection list = docChild.DocumentNode.SelectNodes(urlPath);
foreach (var l in list)
{
HtmlDocument docChild1 = new HtmlDocument();
docChild1.LoadHtml(l.OuterHtml);
var sortUrl = l.Attributes["href"].Value;
if (!string.IsNullOrWhiteSpace(sortUrl) && sortUrl.Contains("cat="))
{
InsertSort("https:" + sortUrl);
}
}
}
}
catch (Exception ex)
{
Console.WriteLine(ex.Message);
}
上面的代码中使用到了HtmlAgilityPack来解析HTML信息，这是.NET的开源项目，开源在nuget包中下载。
（1）下载http://www.jd.com/allSort.aspx的html页，然后加载到HtmlDocument
（2）选择节点，获取每个大类的节点集合
（3）根据每个大类的节点，获取每个小类的节点信息，然后获取到分类地址
节点中也包含了其它很多信息，可以根据自己的需求去获取对应的信息
2、获取具体商品信息
（1）首先根据商品分类加载分类信息，获取到当前分类每个页面的链接
下载HTML之后，选择节点，可以将HTML格式化之后查看每个页面的url地址和拼接规则，然后借助HtmlAgilityPack
来筛选需要的节点，将每个页面的url分离出来
try
{
string html = HttpHelper.DownloadUrl(@"https://list.jd.com/list.html?cat=1620,11158,11964");
HtmlDocument productDoc = new HtmlDocument();
productDoc.LoadHtml(html);
HtmlNode pageNode = productDoc.DocumentNode.SelectSingleNode(@"//*[@id='J_topPage']/span/i");
if (pageNode != null)
{
int pageNum = Convert.ToInt32(pageNode.InnerText);
for (int i = 1; i < pageNum + 1; i++)
{
string pageUrl = string.Format("{0}&page={1}", category.Url, i).Replace("&page=1&", string.Format("&page={0}&", i));
try
{
List<ProductInfo> proDuctInfo = GetPageProduct(pageUrl);
}
catch (Exception ex)
{
Console.WriteLine(ex.Message);
}
}
}
}
catch (Exception ex)
{
Console.WriteLine(ex.Message);
}（2）根据每个页面的链接，获取当前页面的商品信息
下载每个页面的所有商品信息，需要获取的商品信息在页面中都能找到
首先我们获取到每个商品的节点集合，获取到一个商品的节点信息之后，分析html数据，
找到我们需要的商品的信息所在的位置，然后将需要的信息分离出来。
下面的代码中我获取到的商品的id和title还有价格。
List<ProductInfo> productInfoList = new List<ProductInfo>();
try
{
string html = HttpHelper.DownloadUrl(url);
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(html);
HtmlNodeCollection productNodeList = doc.DocumentNode.SelectNodes("//*[@id='plist']/ul/li");
if (productNodeList == null || productNodeList.Count == 0)
{
return productInfoList;
}
foreach (var node in productNodeList)
{
HtmlDocument docChild = new HtmlDocument();
docChild.LoadHtml(node.OuterHtml);
ProductInfo productInfo = new ProductInfo()
{
CategoryId = category.Id
};
HtmlNode urlNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a");
if (urlNode == null)
{
continue;
}
string newUrl= urlNode.Attributes["href"].Value;
newUrl = !newUrl.StartsWith("http:")?"http:" + newUrl: newUrl;
string sId = Path.GetFileName(newUrl).Replace(".html", "");
productInfo.ProductId = long.Parse(sId);
HtmlNode titleNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a/em");
if (titleNode == null)
{
continue;
}
productInfo.Title = titleNode.InnerText;
HtmlNode priceNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-price']/strong/i");
if (priceNode == null)
{
continue;
}
else
{
}
productInfoList.Add(productInfo);
}
//批量获取价格
GetGoodsPrice(productInfoList);
}
catch (Exception ex)
{
}
return productInfoList;
商品的图片地址和价格信息的获取需要仔细分析html中的数据，然后找到规律，比如价格在每个节点中就不能单独获取。
以下为批量获取价格的代码：
try { StringBuilder sb = new StringBuilder(); sb.AppendFormat("http://p.3.cn/prices/mgets?callback=jQuery1069298&type=1&area=1_72_4137_0&skuIds={0}&pdbp=0&pdtk=&pdpin=&pduid=1945966343&_=1469022843655", string.Join("%2C", productInfoList.Select(c => string.Format("J_{0}", c.ProductId)))); string html = HttpHelper.DownloadUrl(sb.ToString()); if (string.IsNullOrWhiteSpace(html)) { return productInfoList; } html = html.Substring(html.IndexOf("(") + 1); html = html.Substring(0, html.LastIndexOf(")")); List<CommodityPrice> priceList = JsonConvert.DeserializeObject<List<CommodityPrice>>(html); productInfoList.ForEach(c => c.Price = priceList.FirstOrDefault(p => p.id.Equals(string.Format("J_{0}", c.ProductId))).p); } catch (Exception ex) { Console.WriteLine(ex.Message); } return productInfoList;
以上就是一个简单的爬取京东商品信息的爬虫，也可以根据自己的需求去解析更多的数据出来。