.net 爬虫框架技术选型

个人认为爬虫框架分抓取框架和分析框架

1）抓取框架

.net 市面上好的似乎不多，选择要素分两种：1.轻量型，2.重量型。

1. 轻量型是可以定制一些特殊的功能或者插件开关形式。总体性能高，速度快。

   自己写的webclient，httprequest,httpclient等。或者直接socket编写！

2. 重量型是可以基本模式浏览器，更加傻瓜化，也基本屏蔽了一些反爬虫机制。

   如webbrower或者其他的webkit浏览器内核封装的.net框架。

   如：https://github.com/cefsharp/CefSharp （.NET (WPF and Windows Forms) bindings for the Chromium Embedded Framework）

抓取的特殊功能包括：cookie支持（默认），301自动跳转，https默认支持，gzip等压缩默认支持，自动多种方式识别编码，默认模拟浏览器header，模拟css和js执行等等。

当然越是功能强大，性能越差些，但是适应各种情况的能力越强（反爬虫能力），轻量型和重量型适应的抓取场景也都不一样。

如:携程的高级手法

技术选择:

HttpHelper(作者是收费的，看了源码，其实功能也不强大；自己也能做，只是原来写的http框架源码没了，急着用暂时用下)

scrapysharp 中的ScrapingBrowser

.net HttpWebRequest 简单封装下

.net webclient 简单封装下

2）分析框架

旧技术：正则表达式

新方式: scrapysharp,HtmlAgilityPack,CsQuery 等等（还有很多）

scrapysharp：扩展自HtmlAgilityPack，非常好用。（支持css选择器方式，快速上手）

css的选择器语法:http://www.w3school.com.cn/cssref/css_selectors.asp

  参考资料: http://www.cnblogs.com/arxive/p/7075306.html

示例

 

HtmlAgilityPack：本来就好用，但是用的时候还是要进行部分算法处理。（支持xpath方式获取，快速上手）

百度一下，资料不少。

示例

 

CsQuery：似乎对中文 的支持有bug，获取html的时候，中文会乱码，不知道为什么。（支持jq（jquery）方式获取，快速上手）

https://github.com/jamietre/CsQuery

示例

 

Csoup

.net 版本的jsoup。当然csoup的相关文档少，建议直接看jsoup的文档（也一样的）。(支持jq（jquery）的方式获取，快速上手)

地址: http://nsoup.codeplex.com/

文档:http://www.open-open.com/jsoup/

 

欢迎交流，一起了解爬虫技术更多知识，完善技术栈，.net 开源因你更美好。开源QQ群: .net 开源基础服务  238543768

by 车江毅

转载于:https://www.cnblogs.com/chejiangyi/p/7211277.html