玩玩小爬虫——抓取时的几个小细节

来自：http://www.cnblogs.com/huangxincheng/archive/2012/11/08/2759752.html

   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。




 1 using System;
 2 using System.Net;
 3 
 4 namespace ConsoleApplication2
 5 {
 6     public class Program
 7     {
 8         static void Main(string[] args)
 9         {
10             DateTime prevDateTime = DateTime.MinValue;
11 
12             for (int i = 0; i < 10; i++)
13             {
14                 try
15                 {
16                     var url = "http://cnblogs.com";
17 
18                     var request = (HttpWebRequest)HttpWebRequest.Create(url);
19 
20                     request.Method = "Head";
21 
22                     if (i > 0)
23                     {
24                         request.IfModifiedSince = prevDateTime;
25                     }
26 
27                     request.Timeout = 3000;
28 
29                     var response = (HttpWebResponse)request.GetResponse();
30 
31                     var code = response.StatusCode;
32 
33                     //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
34                     if (code == HttpStatusCode.OK)
35                     {
36                         prevDateTime = Convert.ToDateTime(response.Headers[HttpResponseHeader.Date]);
37                     }
38 
39                     Console.WriteLine("当前服务器的状态码:{0}", code);
40                 }
41                 catch (WebException ex)
42                 {
43                     if (ex.Response != null)
44                     {
45                         var code = (ex.Response as HttpWebResponse).StatusCode;
46 
47                         Console.WriteLine("当前服务器的状态码:{0}", code);
48                     }
49                 }
50             }
51         }
52     }
53 }






 


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。




 1 using System;
 2 using System.Collections.Generic;
 3 using System.Linq;
 4 using System.Text;
 5 using System.Threading;
 6 using HtmlAgilityPack;
 7 using System.Text.RegularExpressions;
 8 using System.Net;
 9 using System.IO;
10 using System.IO.Compression;
11 
12 namespace ConsoleApplication2
13 {
14     public class Program
15     {
16         static void Main(string[] args)
17         {
18             //var currentUrl = "http://www.mm5mm.com/";
19 
20             var currentUrl = "http://www.sohu.com/";
21 
22             var request = WebRequest.Create(currentUrl) as HttpWebRequest;
23 
24             var response = request.GetResponse() as HttpWebResponse;
25 
26             var encode = string.Empty;
27 
28             if (response.CharacterSet == "ISO-8859-1")
29                 encode = "gb2312";
30             else
31                 encode = response.CharacterSet;
32 
33             Stream stream;
34 
35             if (response.ContentEncoding.ToLower() == "gzip")
36             {
37                 stream = new GZipStream(response.GetResponseStream(), CompressionMode.Decompress);
38             }
39             else
40             {
41                 stream = response.GetResponseStream();
42             }
43 
44             var sr = new StreamReader(stream, Encoding.GetEncoding(encode));
45 
46             var html = sr.ReadToEnd();
47         }
48     }
49 }






 


 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。








 1 using System;
 2 using System.Collections.Generic;
 3 using System.Linq;
 4 using System.Text;
 5 using System.Threading;
 6 using HtmlAgilityPack;
 7 using System.Text.RegularExpressions;
 8 using System.Net;
 9 using System.IO;
10 using System.IO.Compression;
11 
12 namespace ConsoleApplication2
13 {
14     public class Program
15     {
16         static void Main(string[] args)
17         {
18             //var currentUrl = "http://www.mm5mm.com/";
19 
20             var currentUrl = "http://www.sohu.com/";
21 
22             var request = WebRequest.Create(currentUrl) as HttpWebRequest;
23 
24             var response = request.GetResponse() as HttpWebResponse;
25 
26             var encode = string.Empty;
27 
28             if (response.CharacterSet == "ISO-8859-1")
29                 encode = "gb2312";
30             else
31                 encode = response.CharacterSet;
32 
33             Stream stream;
34 
35             if (response.ContentEncoding.ToLower() == "gzip")
36             {
37                 stream = new GZipStream(response.GetResponseStream(), CompressionMode.Decompress);
38             }
39             else
40             {
41                 stream = response.GetResponseStream();
42             }
43 
44             var sr = new StreamReader(stream, Encoding.GetEncoding(encode));
45 
46             var html = sr.ReadToEnd();
47 
48             sr.Close();
49 
50             HtmlDocument document = new HtmlDocument();
51 
52             document.LoadHtml(html);
53 
54             //提取title
55             var title = document.DocumentNode.SelectSingleNode("//title").InnerText;
56 
57             //提取keywords
58             var keywords = document.DocumentNode.SelectSingleNode("//meta[@name='Keywords']").Attributes["content"].Value;
59         }
60     }
61 }






好了，打完收工，睡觉。。。