用.NET Core写爬虫爬取电影天堂

自从上一个项目从.net迁移到.net core之后，磕磕碰碰磨蹭了一个月才正式上线到新版本。

然后最近又开了个新坑，搞了个爬虫用来爬dy2018电影天堂上面的电影资源。这里也借机简单介绍一下如何基于.net core写一个爬虫。

ps：如有偏错，敬请指明…

pps:该去电影院还是多去电影院，毕竟美人良时可无价。

准备工作（.net core准备）

首先，肯定是先安装.net core咯。下载及安装教程在这里：  。无论你是windows、linux还是mac，统统可以玩。

我这里的环境是：windows10 + vs2015 community updata3 + .net core 1.1.0 sdk + .net core 1.0.1 tools preview 2.

理论上，只需要安装一下 .net core 1.1.0 sdk 即可开发.net core程序，至于用什么工具写代码都无关紧要了。

安装好以上工具之后，在vs2015的新建项目就可以看到.net core的模板了。如下图：

为了简单起见，我们创建的时候，直接选择vs .net core tools自带的模板。

一个爬虫的自我修养 分析网页

写爬虫之前，我们首先要先去了解一下即将要爬取的网页数据组成。

具体到网页的话，便是分析我们要抓取的数据在html里面是用什么标签抑或有什么样的标记，然后使用这个标记把数据从html中提取出来。在我这里的话，用的更多的是html标签的id和css属性。

以本文章想要爬取的dy2018.com为例,简单描述一下这个过程。dy2018.com主页如下图：

在chrome里面，按f12进入开发者模式，接着如下图使用鼠标选择对应页面数据，然后去分析页面html组成。

接着我们开始分析页面数据:

经过简单分析html，我们得到以下结论：

www.dy2018.com首页的电影数据存储在一个class为co_content222的div标签里面

电影详情链接为a标签，标签显示文本就是电影名称，url即详情url

那么总结下来，我们的工作就是：找到class='co_content222' 的div标签，从里面提取所有的a标签数据。

开始写代码…

之前在写做项目的时候用到过anglesharp库，一个基于.net（c#）开发的专门为解析xhtml源码的dll组件。

anglesharp主页在这里： ，

详细介绍：

nuget地址: nuget anglesharp 安装命令：install-package anglesharp

获取电影列表数据

private static htmlparser htmlparser = new htmlparser();

private concurrentdictionary<string, movieinfo> _cdmovieinfo = new concurrentdictionary<string, movieinfo>();
privatevoidaddtohotmovielist()
{
	//此操作不阻塞当前其他操作，所以使用task
	// _cdmovieinfo 为线程安全字典，存储了当期所有的电影数据
	task.factory.startnew(()=> 
	{
	 try
	 {
	  //通过url获取html
	  var htmldoc = httphelper.gethtmlbyurl("http://www.dy2018.com/");
	  //html 解析成 idocument
	  var dom = htmlparser.parse(htmldoc);
	  //从dom中提取所有class='co_content222'的div标签
	  //queryselectorall方法接受 选择器语法
	  var lstdivinfo = dom.queryselectorall("div.co_content222");
	  if (lstdivinfo != null)
	  {
	   //前三个div为新电影
	   foreach (var divinfo in lstdivinfo.take(3))
	   {
	    //获取div中所有的a标签且a标签中含有"/i/"的
	    //contains("/i/") 条件的过滤是因为在测试中发现这一块div中的a标签有可能是广告链接
	    divinfo.queryselectorall("a").where(a => 
	    a.getattribute("href").contains("/i/"))
	    .tolist().foreach(
	    a =>
	    {
	     //拼接成完整链接
	     var onlineurl = "http://www.dy2018.com" + a.getattribute("href");
	     //看一下是否已经存在于现有数据中
	     if (!_cdmovieinfo.containskey(onlineurl))
	     {
	      //获取电影的详细信息
	      movieinfo movieinfo = fillmovieinfoformweb(a, onlineurl);
	      //下载链接不为空才添加到现有数据
	      if (movieinfo.xunleidownloadurllist != null 
	      && movieinfo.xunleidownloadurllist.count != 0)
	      {
	        _cdmovieinfo.tryadd
	        (movieinfo.dy2018onlineurl,movieinfo);
	      }
	     }
	    });
	   }
	  }
	
	 }
	 catch(exception ex)
	 {
	
	 }
	});
}

获取电影详细信息

 privatemovieinfofillmovieinfoformweb(anglesharp.dom.ielement a,
 string onlineurl)
{
 var moviehtml = httphelper.gethtmlbyurl(onlineurl);
 var moviedoc = htmlparser.parse(moviehtml);
 //http://www.dy2018.com/i/97462.html 分析过程见上，不再赘述
 //电影的详细介绍 在id为zoom的标签中
 var zoom = moviedoc.getelementbyid("zoom");
 //下载链接在 bgcolor='#fdfddf'的td中，有可能有多个链接
 var lstdownloadurl = moviedoc.queryselectorall("[bgcolor='#fdfddf']");
 //发布时间 在class='updatetime'的span标签中
 var updatetime = moviedoc.queryselector("span.updatetime"); 
 var pubdate = datetime.now;
 if(updatetime!=null && !string.isnullorempty(updatetime.innerhtml))
 {
  //内容带有“发布时间：”字样，
  //replace成""之后再去转换，转换失败不影响流程
  datetime.tryparse(updatetime.innerhtml.replace("发布时间：", 
  ""), out pubdate);
 }
 

 var movieinfo = new movieinfo()
 {
  //innerhtml中可能还包含font标签，做多一个replace
  moviename = a.innerhtml.replace("<font color=\"#0c9000\">","")
  .replace("<font color=\" #0c9000\">","")
  .replace("</font>", ""),
  dy2018onlineurl = onlineurl,
  movieintro = zoom != null ? webutility.htmlencode(zoom.innerhtml) : "暂无介绍...",
  //可能没有简介，虽然好像不怎么可能
  xunleidownloadurllist = lstdownloadurl != null ?
  lstdownloadurl.select(d => d.firstelementchild.innerhtml).tolist() : null,
  //可能没有下载链接
  pubdate = pubdate,
 };
 return movieinfo;
}

httphelper

这边有个小坑，dy2018网页编码格式是gb2312,.net core默认不支持gb2312，使用encoding.getencoding(“gb2312”)的时候会抛出异常。

解决方案是手动安装system.text.encoding.codepages包(install-package system.text.encoding.codepages),

然后在starup.cs的configure方法中加入encoding.registerprovider(codepagesencodingprovider.instance),接着就可以正常使用encoding.getencoding(“gb2312”)了。

using system;
using system.net.http;
using system.net.http.headers;
using system.text;

namespace dy2018crawler
{
 public class httphelper
 {

  public static httpclient client { get; } = new httpclient();

  publicstaticstringgethtmlbyurl(stringurl)
  {
   try
   {
    system.net.webrequest wrequest = system.net.webrequest.create(url);
    wrequest.contenttype = "text/html; charset=gb2312";

    wrequest.method = "get";
    wrequest.usedefaultcredentials = true;
    // get the response instance.
    var task = wrequest.getresponseasync();
    system.net.webresponse wresp = task.result;
    system.io.stream respstream = wresp.getresponsestream();
    //dy2018这个网站编码方式是gb2312,
    using (system.io.streamreader reader =
    new system.io.streamreader(respstream,
    encoding.getencoding("gb2312")))
    {
     return reader.readtoend();
    }
   }
   catch (exception ex)
   {
    console.writeline(ex.tostring());
    return string.empty;
   }
  }
  
 }


}

定时任务的实现

定时任务我这里使用的是 pomelo.aspnetcore.timedjob 。

pomelo.aspnetcore.timedjob是一个.net core实现的定时任务job库，支持毫秒级定时任务、从数据库读取定时配置、同步异步定时任务等功能。

由.net core社区大神兼前微软mvp amamiyayuuko (入职微软之后就卸任mvp…)开发维护，不过好像没有开源，回头问下看看能不能开源掉。

nuget上有各种版本，按需自取。地址： https://www.nuget.org/packages/pomelo.aspnetcore.timedjob/1.1.0-rtm-10026

作者自己的介绍文章： timed job - pomelo扩展包系列

startup.cs相关代码

我这边使用的话，首先肯定是先安装对应的包：install-package pomelo.aspnetcore.timedjob -pre

然后在startup.cs的configureservices函数里面添加service,在configure函数里面use一下。

// this method gets called by the runtime. use this method to add services to the container.
publicvoidconfigureservices(iservicecollection services)
{
 // add framework services.
 services.addmvc();
 //add timedjob services
 services.addtimedjob();
}

 publicvoidconfigure(iapplicationbuilder app,
 ihostingenvironment env, iloggerfactory loggerfactory)
{
 //使用timedjob
 app.usetimedjob();

 if (env.isdevelopment())
 {
  app.usedeveloperexceptionpage();
  app.usebrowserlink();
 }
 else
 {
  app.useexceptionhandler("/home/error");
 }

 app.usestaticfiles();

 app.usemvc(routes =>
 {
  routes.maproute(
   name: "default",
   template: "{controller=home}/{action=index}/{id?}");
 });
 encoding.registerprovider(codepagesencodingprovider.instance);
}

job相关代码

接着新建一个类，明明为xxxjob.cs,引用命名空间using pomelo.aspnetcore.timedjob，xxxjob继承于job，添加以下代码。

 public class autogetmovielistjob:job
 {
  
  // begin 起始时间；interval执行时间间隔，单位是毫秒，建议使用以下格式，此处为3小时；
  //skipwhileexecuting是否等待上一个执行完成，true为等待；
  [invoke(begin = "2016-11-29 22:10", interval = 1000 * 3600*3, skipwhileexecuting =true)]
  publicvoidrun()
  {
   //job要执行的逻辑代码
   
   //loghelper.info("start crawling");
   //addtolatestmovielist(100);
   //addtohotmovielist();
   //loghelper.info("finish crawling");
  }
}

项目发布相关 新增runtimes节点

使用vs2015新建的模板工程，project.json配置默认是没有runtimes节点的.

我们想要发布到非windows平台的时候，需要手动配置一下此节点以便生成。

 "runtimes": {
 "win7-x64": {},
 "win7-x86": {},
 "osx.10.10-x64": {},
 "osx.10.11-x64": {},
 "ubuntu.14.04-x64": {}
}

删除/注释scripts节点

生成时会调用node.js脚本构建前端代码，这个不能确保每个环境都有bower存在…注释完事。

//"scripts": {
// "prepublish": [ "bower install", "dotnet bundle" ],
// "postpublish": [ "dotnet publish-iis --publish-folder %publish:outputpath% --framework %publish:fulltargetframework%" ]
//},

删除/注释dependencies节点里面的type

"dependencies": {
 "microsoft.netcore.app": {
  "version": "1.1.0"
  //"type": "platform"
 },

project.json的相关配置说明可以看下这个官方文档： project.json-file ,

或者张善友老师的文章 .net core系列 ： 2 、project.json 这葫芦里卖的什么药

开发编译发布

//还原各种包文件
dotnet restore;

//发布到c:\code\website\dy2018crawler文件夹
dotnet publish -r ubuntu.14.04-x64 -c release -o "c:\code\website\dy2018crawler";

最后，照旧开源……以上代码都在下面找到：

gayhub地址： https://github.com/liguobao/dy2018crawler

ps:回头写个爬片大家滋持不啊…