目前对网页的爬虫一个是对网页直接爬取数据和WeiAPI的方式爬取,这取决于网址用的什么时候渲染的数据,然后展示在网页中。
首先我们对某一个网址准备爬取数据时候,你需要去研究这个网址是后台给前台是数据还是网页,这个时候我推荐 Fiddler 或者Fiddler.exe 和 postman 这两个软件进行研究,具体安装方式和使用方式可百度,有很多的教程;如果你不想下载,那在浏览器中按住 F12,然后如下图
如果Response里面是一个HTML,那说明这个不是WebAPI的方式,这个时候你就得选择网页爬虫,在C#NuGet里面添加 以下几个
ChromeOptions options = new ChromeOptions();
// 不显示浏览器
options.AddArgument("--headless");
// GPU加速可能会导致Chrome出现黑屏及CPU占用率过高,所以禁用
options.AddArgument("--disable-gpu");
//禁用浏览器的保存密码选项
options.AddUserProfilePreference("credentials_enable_service", false);
options.BinaryLocation = webClientUrl;
IWebDriver driver = new ChromeDriver(options);
//进入的网址
driver.Navigate().GoToUrl(LoingUrl);//LoingUrl 就得需要连接的地址
// 设置页面加载时间
driver.Manage().Timeouts().PageLoad = TimeSpan.FromSeconds(2000);
driver.FindElement(By.Id("txtUsername")).SendKeys(userName);
driver.FindElement(By.Id("txtPassword")).SendKeys(userPassword);
driver.FindElement(By.Id("imgBtnSignIn")).Click();
driver.Navigate().GoToUrl(listUrl);//需要获取数据的地址
var _trselector = driver.FindElements(By.CssSelector("这里是你需要获取数据的Clss或者ID对应的名称"));// 定位到表格下的每一个tr的数据
比如<div id="test_id"><div class="test">--------------</div></div> 那就是 by.CssSelector("#test_id .test")
HtmlDocument htmlDocument = new HtmlDocument();//初始化一个HTMLDocument对象
htmlDocument.LoadHtml(_trselector .GetAttribute("innerHTML"));//这里是获取元素里面的内容 然后数据里面可能会有\n\t 等字符,我们需要把他给替换 可以使用Replace
2、webAPI
如果Response是这种,这后台采用c#教程的是WebAPI的方式,这个时候我们去Headers里面看看,RequestURL就是WebAPI的方法,而FormData就是参数,把URL和参数拼接一起即可得到数据,然后获取数据即可,代码如下。
WebAPI代码
public void GetData(){
CookieContainer httpCookie = DoLogin(UserName, Password);
if (httpCookie == null) return;//登录是否成功
//获取WebApi的数据
string result_CIS = GetCISList(CISURL, httpCookie);
……………………这里就是对获取的数据进行处理解析
}
private CookieContainer DoLogin(string username, string password, string LoginURL)
{
var client = new RestClient(LoginURL);
var request = new RestRequest(Method.POST); //UserName=OECSHA&Password=Oecsha123!&OfficeCode=
request.AddParameter("application/x-www-form-urlencoded",
$"UserName={username}&Password={password}&OfficeCode=",
ParameterType.RequestBody);
client.CookieContainer = new System.Net.CookieContainer();
IRestResponse response = client.Execute(request);
if (!response.IsSuccessful) return null;
return client.CookieContainer;
}
private string GetCISList(string cISURL, CookieContainer httpCookie)
{
var client = new RestClient(cISURL+ "参数");
var request = new RestRequest(Method.POST);//采用的方式
client.CookieContainer = httpCookie;
IRestResponse response = client.Execute(request);
if (!response.IsSuccessful) return null;
return response.Content;
}