之前虽然研究过一点.net winform下网页抓取的技术,但是没有实际项目应用也就没有深入了,最近又用到了这个需求,好好记录一下学习的过程
妥妥的抓出来了,后面输出的是该标题对应的href属性值,不得不说HTMLAgilityPack结合Firebug对网页元素进行抓取真的是炒鸡方便呢~
首先要介绍的是这个神器叫做HtmlAgilityPack,是一个DLL存在的扩展,下载地址:http://htmlagilitypack.codeplex.com/ 解压缩后根据要用的.net版本选择对应的dll文件就行了
一直在用Visual Studio2010做VB.net的开发,感觉顺手了,也就懒得换新版本的IDE,下面就在VS2010中先新建一个VisualBasic项目,简单的做一个测试用的窗体界面如下:
两个textbox,一个button,一个richtextbox(用来输出抓取结果),在项目引用中添加HtmlAgilityPack.dll的引用
完整代码如下:
Imports HtmlAgilityPack '引用HtmlAgilityPack包
Imports System.Net
Public Class Form1
Private Sub getContentButton_Click(ByVal sender As System.Object, ByVal e As System.EventArgs) Handles getContentButton.Click
If urlTextbox.Text <> "" Then
outRichTextBox.Clear()
Dim url As String = urlTextbox.Text
Dim wc As New HtmlWeb '这个htmlweb是HtmlAgilityPack中的一个对象
Dim doc As HtmlDocument = wc.Load(url) '这个HTMLDocument也是HtmlAgilityPack中的对象,而不是平时使用的System.Windows.Forms.HtmlDocument
Dim rootNode As HtmlNode = doc.DocumentNode
Dim xpathStr As String = xpathTextbox.Text
Try
Dim test As HtmlNodeCollection = rootNode.SelectNodes(xpathStr)
If test IsNot Nothing Then
outRichTextBox.AppendText("开始读取" & vbCrLf & "==================================" & vbCrLf)
For Each node As HtmlNode In test
Me.outRichTextBox.AppendText(node.InnerText & vbCrLf & "---------------------------------------------" & vbCrLf)
Me.outRichTextBox.AppendText(node.GetAttributeValue("href", ""))
Next
outRichTextBox.AppendText("读取结束")
End If
Catch ex As Exception
outRichTextBox.Text = ex.Message
End Try
End If
End Sub
End Class
程序实现效果如下
比如说,我想要抓取www.cnbeta.com首页的这个字段,在Firefox中使用firebug可以很方便的找到目标对应的xpath路径
复制出来的XPath为
/html/body/section/div[2]/div[1]/div[1]/div[2]/div[1]/dl[1]/dt/a
我们运行程序进行测试
妥妥的抓出来了,后面输出的是该标题对应的href属性值,不得不说HTMLAgilityPack结合Firebug对网页元素进行抓取真的是炒鸡方便呢~