网页数据抓取怎么写(第三方工具使用工具的方法和内容的区别)

　　网页数据抓取怎么写(第三方工具使用工具的方法和内容的区别)

　　一、使用第三方工具，其中最著名的是优采云采集器，这里不再赘述。

　　二、自己写程序来抓包，这种方法需要站长自己写程序，可能需要站长的开发能力。

　　起初，我也尝试使用第三方工具来获取我需要的数据。因为网上流行的第三方工具要么不符合我的要求，要么太复杂，一时不明白怎么用，就干脆决定自己写。嗯，现在基本上半天就能搞定一个网站（只是程序开发时间，不包括数据采集时间）。

　　经过一段时间的数据爬取生涯，我也遇到了很多困难。最常见的一种是分页数据的爬取。原因是数据分页的形式有很多种。下面我主要介绍三种形式。抓取分页数据的方法，虽然在网上看过很多文章，但是每次拿别人的代码，总是会出现各种各样的问题。以下代码都是正确的实现，我目前正在使用。本文的代码实现是用C#语言实现的，我觉得其他语言的原理大致相同。

　　让我们切入正题：

　　第一种方式：URL地址收录分页信息。这种形式是最简单的。使用第三方工具爬取这个表单也很简单。基本上，您不需要编写代码。对我来说，我宁愿花半天时间自己写。懒得学第三方工具的人还是可以自己写代码来实现的；

　　该方法是通过循环生成数据分页的URL地址，如： 这样通过HttpWebRequest访问对应的URL地址，返回对应页面的html文本。接下来的任务是解析字符串并将需要的内容保存到本地数据库；抓取的代码可以参考以下：

　　公共字符串 GetResponseString（字符串 url）{

　　字符串 _StrResponse = "";

　　HttpWebRequest _WebRequest = (HttpWebRequest)WebRequest.Create(url);

　　_WebRequest.UserAgent = "MOZILLA/4.0（兼容；MSIE 7.0；WINDOWS NT 5.2；.NET CLR 1.1.4322；.NET CLR 2.0.50727;.NET CLR 3.0.04506.648;.NET CLR 3.5.21022;. NET CLR 3.0.4506.2152; .NET CLR 3.5.30729)";

　　_WebRequest.Method = "GET";

　　WebResponse _WebResponse = _WebRequest.GetResponse();

　　StreamReader _ResponseStream = new StreamReader(_WebResponse.GetResponseStream(), System.Text.Encoding.GetEncoding("gb2312"));

　　_StrResponse = _ResponseStream.ReadToEnd();

　　_WebResponse.Close();

　　_ResponseStream.Close();

　　返回_StrResponse；

　　}

　　上面的代码可以返回对应页面的html内容的字符串，剩下的工作就是从这个字符串中获取你关心的信息。

　　第二种方式：可能会遇到通过asp.NET开发的网站，它的分页控件通过post向后台代码提交分页信息，比如.net下Gridview自带的分页功能，当你点击的时候分页页码，你会发现URL地址没有变，但是页码变了，页面内容也变了。仔细看会发现，当你把鼠标移到每个页码上的时候，状态栏会显示：__dopostback("gridview","page1") 等等，这个表格其实也不是很难，因为毕竟，有一个地方可以得到页码的规则。

　　我们知道提交HTTP请求有两种方式：一种是get，另一种是post，第一种是get，第二种是post。具体提交原理无需赘述，不是本文重点

　　爬取这类页面需要注意asp.Net页面的几个重要元素

　　一、 __VIEWSTATE ，这应该是 .net 独有的，也是 .net 开发人员又爱又恨的东西。当你打开一个网站的页面时，如果你发现了这个东西，并且后面跟着很多乱七八糟的字符，那么这个网站一定要写；

　　二、__dopostback 方法，这是一个页面自动生成的javascript方法，包括两个参数，__EVENTTARGET，__EVENTARGUMENT，这两个参数可以参考页码对应的内容，因为点击翻页的时候，页码信息将传递给这两个参数。

　　三、__EVENTVALIDATION 这也应该是独一无二的

　　不需要太在意这三样东西是干什么的，只要在自己写代码抓取页面的时候记得提交这三个元素就可以了。

　　和第一种方法一样，_dopostback的两个参数必须循环拼凑，只有收录页码信息的参数需要拼凑。这里有一点需要注意，就是每次通过Post提交下一页请求时，首先要获取当前页的__VIEWSTATE信息和__EVENTVALIDATION信息，这样第一页的分页数据就可以使用第一种方法获得。页码内容然后，同时取出对应的__VIEWSTATE信息和__EVENTVALIDATION信息，然后循环处理下一页，然后在每一个页面爬取完成后记录__VIEWSTATE信息和__EVENTVALIDATION信息，提交给下一个页面发布数据使用

　　参考代码如下：

　　for (int i = 0; i < 1000; i++){

　　System.Net.WebClient WebClientObj = new System.Net.WebClient();

　　System.采集s.Specialized.NameValue采集 PostVars = new System.采集s.Specialized.NameValue采集();

　　PostVars.Add("__VIEWSTATE", "这里是需要提前获取的信息");

　　PostVars.Add("__EVENTVALIDATION", "这里是您需要提前获取的信息");

　　PostVars.Add("__EVENTTARGET", "这里是__dopostback方法对应的参数");

　　PostVars.Add("__EVENTARGUMENT", "这里是__dopostback方法对应的参数");

　　WebClientObj.Headers.Add("ContentType", "application/x-www-form-urlencoded");

　　尝试

　　{

　　byte[] byte1 = WebClientObj.UploadValues("", "POST", PostVars);

　　string ResponseStr = Encoding.UTF8.GetString(byte1);//获取当前页面对应的html文本字符串

　　GetPostValue(ResponseStr);//获取上面需要的信息，比如当前页面对应的__VIEWSTATE，用于抓取下一页

　　SaveMessage(ResponseStr);//将你关心的内容保存到数据库中

　　}catch（例外前）{

　　Console.WriteLine(ex.Message);

　　}

　　}

　　第三种方式：第三种方式是最麻烦最恶心的。这种页面在翻页过程中找不到任何地方的页码信息。这种方式耗费了我不少心血，后来采用了更狠的方法，用代码来模拟手动翻页。该方法应该能够处理任何形式的翻页数据。原理是用代码模拟手动点击翻页链接，用代码逐页翻页。然后逐页抓取。

　　俗话说，外行看热闹，行家看门道。很多人可能看到这个，说可以通过使用Webbrowser控件来实现。是的，我遵循的方式是使用 WebBrowser 控件来实现它。其实.net下应该有这么一个类似的类，不过我没有研究过，希望有人有别的办法，可以回复我，分享给大家。

　　WebBroser控件在自己的程序中嵌入了一个浏览器，就像IE、Firefox等一样，你也可以用它来开发自己的浏览器。至于用它开发的浏览器的效果，我想肯定不如IE和Firefox。哈哈

　　让我们减少八卦并切入主题：

　　使用WebBroser控件基本上可以实现任何可以在IE中操作网页的功能，所以当然也可以点击翻页按钮。既然可以手动点击WebBroser中的翻页按钮，自然我们也可以用程序代码来指令WebBroser。自动为我们翻页。

　　其实原理很简单，主要分为以下几个步骤：

　　第一步，打开你要抓取的页面，例如：

　　调用webBrowser控件的方法Navigate("")；

　　此时，您应该在您的 WebBrowser 控件中看到您的网页信息，与您在 IE 中看到的一样；

　　第二步，WebBrowser控件的DocumentCompleted事件非常重要。当你访问的页面全部加载完毕，就会触发这个事件。所以我们分析页面元素的过程也需要在这个事件中完成

　　字符串 _ResponseStr=this.WebBrowser1.Document.Body.OuterHtml;

　　这段代码可以获取当前打开页面的html元素的内容。

　　既然已经获取了当前打开的页面的html元素的内容，剩下的工作自然就是解析这个大字符串，得到自己关心的内容，以及解析字符串的过程，大家应该会可以自己写。

　　第三步，重点在这第三步，因为页面快要翻了，那么第二步，解析完字符串后，还是调用DocumentCompleted事件中的方法

　　WebBrowser1.Document.GetElementById("页码id").InvokeMember("点击");

　　从代码的方法名应该可以理解，调用该方法后，WebBrwoser控件中的网页会实现翻页，和手动点击翻页按钮是一样的。

　　重点是在翻页之后，DocumentCompleted事件也会被触发，所以第二步和第三步都在循环中，所以需要注意判断跳出循环的时机。

　　其实用WebBrowser可以做的事情有很多，比如自动登录、注销论坛、保存session、cockie，所以这个控件基本可以实现你对网页的任何操作，即使你想破解一个网站暴利的登录密码，当然不推荐这样。哈哈