汽车之家汽车品牌Logo信息抓取 DotnetSpider实战[三]

最新推荐文章于 2024-08-08 07:37:52 发布

dotNET跨平台

最新推荐文章于 2024-08-08 07:37:52 发布

阅读量930

点赞数 1

一、正题前的唠叨

第一篇实战博客，阅读量1000+，第二篇，阅读量200+，两篇文章相差近5倍，这个差异真的令我很费劲，截止今天，我一直在思考为什么会有这么大的差距，是因为干货变少了，还是什么原因，一直没想清楚，如果有读者发现问题，可以评论写下大家的观点，当出现这样的差距会是什么原因，谢谢大家。

编者：web流量下降，手机流量增加，导致博客访问量不及预期，虽然每天给大家摘选有价值的文章，欢迎阅读原文去看看作者更多的文章。

二、分析汽车之家品牌Logo页面

2.1分析页面结构

首先我们打开汽车之家品牌Logo选择页 https://car.m.autohome.com.cn/，我们以华颂为例，实际上我们就是需要将class是item的里面的img的src（图片路径），和strong里面的text（品牌）获取就行了，大家可以看到，这个其实很简单，相比上次我们获取页面，获取接口数据简单多了，为什么要单独拿一个作为一篇文章呢，就是因为这个地方还涉及到一个文件下载，这一块之前都没有提到过。

2.2页面中的坑

最开始抓取的时候，我发现很多地方src都是空，我就很纳闷为什么会这样，后来断点调试后才发现，汽车之家Logo图片在页面还未划到此处的时候，img是不会加载的，只是占一个位置在那，等到滚动条滚到哪，哪的图片就会加载，所以此处抓取img的路径时需要判断一下

三、动手开发

3.1准备Processor

private class GetLogoInfoProcessor : BasePageProcessor //获取Logo信息

{

public GetLogoInfoProcessor()

{

}

protected override void Handle(Page page)

{

List<LogoInfoModel> logoInfoList = new List<LogoInfoModel>();

var logoInfoNodes = page.Selectable.XPath(".//div[@id='div_ListBrand']//div[@class='item']").Nodes();

foreach (var logoInfo in logoInfoNodes)

{

LogoInfoModel model = new LogoInfoModel();

model.BrandName = logoInfo.XPath("./strong").GetValue();

model.ImgPath = logoInfo.XPath("./img/@src").GetValue();

if (model.ImgPath == null)

{

model.ImgPath = logoInfo.XPath("./img/@data-src").GetValue();

}

if (model.ImgPath.IndexOf("https") == -1)

{

model.ImgPath = "https:" + model.ImgPath;

}

logoInfoList.Add(model);

//page.AddTargetRequest(model.ImgPath); //Site设置DownloadFiles为TRUE就可以自动下载文件

}

page.AddResultItem("LogoInfoList", logoInfoList);

}

3.2准备Pipeline

这个地方我没用他原用的下载方法，自己写了一个简单的下载方法，因为我感觉他的下载方式直接down下来，不是很符合我的业务逻辑

private class PrintLogInfoPipe : BasePipeline

{

public override void Process(IEnumerable<ResultItems> resultItems, ISpider spider)

{

foreach (var resultItem in resultItems)

{

var logoInfoList = resultItem.GetResultItem("LogoInfoList") as List<LogoInfoModel>;

foreach (var logoInfo in logoInfoList)

{

Console.WriteLine($"brand:{logoInfo.BrandName} path:{logoInfo.ImgPath}");

SaveFile(logoInfo.ImgPath, logoInfo.BrandName);

}

private void SaveFile(string url, string filename)

{

HttpRequestMessage httpRequestMessage = new HttpRequestMessage();

httpRequestMessage.RequestUri = new Uri(url);

httpRequestMessage.Method = HttpMethod.Get;

HttpClient httpClient = new HttpClient();

var httpResponse = httpClient.SendAsync(httpRequestMessage);

var intervalPath = new Uri(url);

string filePath = Environment.CurrentDirectory + "/img/";

if (!File.Exists(filePath))

{

try

{

string folder = Path.GetDirectoryName(filePath);

if (!string.IsNullOrWhiteSpace(folder))

{

if (!Directory.Exists(folder))

{

Directory.CreateDirectory(folder);

}

File.WriteAllBytes(filePath + filename + ".jpg", httpResponse.Result.Content.ReadAsByteArrayAsync().Result);

}

catch

{

}

httpClient.Dispose();

}

存储实体类

private class LogoInfoModel
{ 
   public string BrandName { get; set; }  
   public string ImgPath { get; set; }
}

3.3构造爬虫

static void Main(string[] args)

{

var site = new Site

{

CycleRetryTimes = 1,

SleepTime = 200,

//DownloadFiles = true, DotNetSpider中设置是否下载文件

Headers = new Dictionary<string, string>()

{

{ "Accept","text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8" },

{ "Cache-Control","no-cache" },

{ "Connection","keep-alive" },

{ "Content-Type","application/x-www-form-urlencoded; charset=UTF-8" },

{ "User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"}

}

};

List<Request> resList = new List<Request>();

Request res = new Request();

res.Url = "https://car.m.autohome.com.cn/";

res.Method = System.Net.Http.HttpMethod.Get;

resList.Add(res);

var spider = Spider.Create(site, new QueueDuplicateRemovedScheduler(), new GetLogoInfoProcessor())

.AddStartRequests(resList.ToArray())

.AddPipeline(new PrintLogInfoPipe());

spider.ThreadNum = 1;

spider.Run();

Console.Read();

}

3.4 Site中DownloadFiles 源码分析

源代码中HttpClientDownloader中源代码会自动去判断Site中的DownloadFiles是否允许下载文件，默认是false，如果不将DownloadFiles的值设置为true，那么对于非字符串格式的接口数据，直接会被忽略，如果大家感兴趣，可以将我代码中的两行注释取消，那么就可以看到DotnetSpider中的下载方式