.net 使用HtmlAgilityPack做爬虫

htmlagilitypack官网：https://html-agility-pack.net/?z=codeplex

.net中使用htmlagilitypack做爬虫步骤:

1、在nuget中安装htmlagilitypack

 

安装好之后我们就可以开始我们的爬虫之旅了

2、抓取网页源代码

1 var web = new htmlweb();
2 var doc = web.load("要抓取的网页链接");

至此，我们就得到了网页的源代码了，然后用htmldocument来操作

还有一些特殊性质的需要填装验证数据的抓取，我们可以通过httpwebrequest或者httpclient来获取网页源代码

1 var htmltxt =获取html的string的方法;
2 var doc = new htmldocument();
3 doc.loadhtml(htmltxt);

3、进行数据筛选清洗

举个栗子：

我们现在抓取电影天堂的数据：https://www.dytt8.net

我们先抓取他的分类，我们打开https://www.dytt8.net  然后右键查看源代码，发现分类处于div  class 为contain中，这样我们就好办了

直接用htmldocument获取 class为contain的所有a标签

 1 var list =doc.documentnode.selectnodes("//div[@class='contain']/ul/li/a");
 2 
 3 
 4  foreach (var item in list)
 5 {
 6     //获取a标签下面的href
 7      var url = item.attributes["href"].value;
 8       // 获取a标签的文本
 9      var txt =item.innerhtml;
10 }

这样，我们就获取电影天堂的影片分类啦。