由于公司业务需要,减轻市场部人员工作量,想到开发一个团购网数据抓取程序
一开始大部分网站都没啥问题,用抓取内容+正则就能取到数据
碰到一个窝窝团,比较恶心,数据是用ajax生成的,于是在网上找到了一段比较牛逼的代码
using System;
using System.Collections.Generic;
using System.Text;
using System.Threading;
using System.Windows.Forms;
namespace GroupBuyStat
{
public class WebBrowserCrawler
{
// WebBrowser
private WebBrowser _WebBrowder;
private string _r;
private string _p;
//最後結果
private string _Result {
get { return _r; }
set { _r = value; }
}
//網址
private string _Path {
get { return _p; }
set { _p = value; }
}
/// <summary>
/// 對外公開的Method
/// </summary>
/// <param name="url">URL Path</param>
/// <returns></returns>
public string GetReult(string url)
{
_Path = url;
Thread mThread = new Thread(FatchDataToResult);
//Apartment 是處理序當中讓物件共享相同執行緒存取需求的邏輯容器。 同一 Apartment 內的所有物件都能收到 Apartment 內任何執行緒所發出的呼叫。
//.NET Framework 並不使用 Apartment;Managed 物件必須自行以安全執行緒 (Thread-Safe) 的方式運用一切共享資源。
//因為 COM 類別使用 Apartment,所以 Common Language Runtime 在 COM Interop 的狀況下呼叫出 COM 物件時必須建立 Apartment 並且加以初始化。
//Managed 執行緒可以建立並且輸入只容許一個執行緒的單一執行緒 Apartment (STA),或者含有一個以上執行緒的多執行緒 Apartment (MTA)。
//只要把執行緒的 ApartmentState 屬性設定為其中一個 ApartmentState 列舉型別 (Enumeration),即可控制所建立的 Apartment 屬於哪種型別。
//因為特定執行緒一次只能初始化一個 COM Apartment,所以第一次呼叫 Unmanaged 程式碼之後就無法再變更 Apartment 型別。
//From : http://msdn.microsoft.com/zh-tw/library/system.threading.apartmentstate.aspx
mThread.SetApartmentState(ApartmentState.STA);
mThread.Start();
mThread.Join();
return _Result;
}
/// <summary>
/// Call _WebBrowder 抓取資料
/// For thread Call
/// </summary>
private void FatchDataToResult()
{
_WebBrowder = new WebBrowser();
_WebBrowder.DocumentCompleted += _WebBrowder_DocumentCompleted;
_WebBrowder.Navigate(_Path);
//處理目前在訊息佇列中的所有 Windows 訊息。
//如果在程式碼中呼叫 DoEvents,您的應用程式就可以處理其他事件。例如,如果您的表單將資料加入 ListBox 並將 DoEvents 加入程式碼中,則當另一個視窗拖到您的表單上時,該表單將重新繪製。
//如果您從程式碼移除 DoEvents,您的表單將不會重新繪製,直到按鈕按一下的事件處理常式執行完畢。
//while (_WebBrowder.StatusText != "完成")
int i = 0;
while (_WebBrowder.ReadyState != WebBrowserReadyState.Complete)
{
Application.DoEvents();
}
_WebBrowder.Dispose();
}
//結束後回填
void _WebBrowder_DocumentCompleted(object sender, WebBrowserDocumentCompletedEventArgs e)
{
_Result = (sender as WebBrowser).Document.Body.InnerHtml;
}
}
}
解决了这个问题,后来由于满座网,也是用ajax的,但是发现取不了数据,仔细一看发现窝窝团是在页面加载的时候调用ajax动态生成数据,而满座网是在页面加载完后过几秒才调用ajax,比较麻烦,想了很多办法,都不好解决
情急之下,查看了源码,找到了ajax调用的一个地址,通过抓取这个地址返回的内容,实现了抓取数据,这里也算是抛砖引玉,不能被传统思路所束缚。