DotnetSpider (一) 架構的理解、應用、搭建

** 溫馨提示：如需轉載本文，請注明內容出處。**

本文鏈接:http://www.cnblogs.com/grom/p/8931650.html 

 

本文Demo:https://github.com/Grom-Li/DataSpider 適用版本: 2.5.0、2.5.1

 

最近在做爬蟲，之前一直在使用 HttpWebRequest 和 WebClient ,很方便快捷，也很適合新手，但隨着抓取任務的增多，多任務，多庫等情況的出現，使用一個優秀的爬蟲框架是十分必要的。於是開始接觸dotnetspider。

 

　　

借鑒一下框架的設計圖，在引入dotnetspider的NuGet包后，我基本也是按照這個進行了分層

　　

 

Data.Spider - 存放前台頁面(Winform、控制台)和實體爬蟲(EntitySpider)等，相當於發起請求的起點。

Spider.Downloader - 封裝請求等信息，可實現自定義cookie等，非必須。

Spider.Processor - 處理器，繼承 IPageProcessor 實現對抓取內容的處理

Spider.Pipe - 管道，我將它理解為經過了 Processor 處理后的一個回調，將處理好的數據存儲(文件、數據庫等)

Spider.Entity - 數據實體類，繼承 SpiderEntity

Spider.Command - 一些常用的公用命令，我這目前存放着轉數據格式類，后台執行JS類，SqlHelper(因架構自帶數據庫管道，暫時沒用)等

這樣的分層也是參考了源碼的示例

　　

隨着這幾天的嘗試，真的發現這個框架真的非常靈活，以凹凸租車的爬蟲為例，上代碼

　　實體類：

[EntityTable("CarWinsSpider", "AtzucheCar", EntityTable.Today)]
[EntitySelector(Expression = "$.data.content[*]", Type = SelectorType.JsonPath)]

public class AtzucheModel : SpiderEntity
{
　　/// <summary>
　　/// 車輛編號
　　/// </summary>
　　[PropertyDefine(Expression = "$.carNo", Type = SelectorType.JsonPath)]
　　public int carNo { get; set; }
　　/// <summary>
　　/// 品牌
　　/// </summary>
　　//[ReplaceFormatter(NewValue = "", OldValue = "\r")]
　　//[ReplaceFormatter(NewValue = "", OldValue = "\t")]
　　//[ReplaceFormatter(NewValue = "", OldValue = "&nbsp;")]
　　//[ReplaceFormatter(NewValue = "", OldValue = "\n")]
　　//[ReplaceFormatter(NewValue = "", OldValue = "\"")]
　　//[ReplaceFormatter(NewValue = "", OldValue = " ")]
　　[PropertyDefine(Expression = "$.brand", Type = SelectorType.JsonPath)]
　　public string brand { get; set; }
　　/// <summary>
　　/// 地址
　　/// </summary>
　　[PropertyDefine(Expression = "$.carAddr", Type = SelectorType.JsonPath)]
　　public string carAddr { get; set; }
　　/// <summary>
　　/// 車系
　　/// </summary>
　　[PropertyDefine(Expression = "$.type", Type = SelectorType.JsonPath)]
　　public string type { get; set; }
　　/// <summary>
　　/// 排量
　　/// </summary>
　　[PropertyDefine(Expression = "$.sweptVolum", Type = SelectorType.JsonPath)]
　　public string sweptVolum { get; set; }
　　/// <summary>
　　/// 圖片
　　/// </summary>
　　[PropertyDefine(Expression = "$.coverPic", Type = SelectorType.JsonPath)]
　　public string coverPic { get; set; }
　　/// <summary>
　　/// 日租金
　　/// </summary>
　　[PropertyDefine(Expression = "$.dayPrice", Type = SelectorType.JsonPath)]
　　public int dayPrice { get; set; }
　　/// <summary>
　　/// 公里數
　　/// </summary>
　　[PropertyDefine(Expression = "$.distance", Type = SelectorType.JsonPath)]
　　public string distance { get; set; }
　　/// <summary>
　　/// 評分
　　/// </summary>
　　[PropertyDefine(Expression = "$.evalScore", Type = SelectorType.JsonPath)]
　　public string evalScore { get; set; }
　　[PropertyDefine(Expression = "$.gbType", Type = SelectorType.JsonPath)]
　　public string gbType { get; set; }
　　/// <summary>
　　/// 車牌
　　/// </summary>
　　[PropertyDefine(Expression = "$.plateNum", Type = SelectorType.JsonPath)]
　　public string plateNum { get; set; }
　　[PropertyDefine(Expression = "$.replyTag", Type = SelectorType.JsonPath)]
　　public string replyTag { get; set; }
　　[PropertyDefine(Expression = "$.transCount", Type = SelectorType.JsonPath)]
　　public string transCount { get; set; }
　　/// <summary>
　　/// 年款
　　/// </summary>
　　[PropertyDefine(Expression = "$.year", Type = SelectorType.JsonPath)]
　　public int year { get; set; }
　　[PropertyDefine(Expression = "$.isPrivilege", Type = SelectorType.JsonPath)]
　　public int isPrivilege { get; set; }
　　[PropertyDefine(Expression = "$.isRecommend", Type = SelectorType.JsonPath)]
　　public int isRecommend { get; set; }
　　[PropertyDefine(Expression = "$.isUpgrade", Type = SelectorType.JsonPath)]
　　public int isUpgrade { get; set; }
　　[PropertyDefine(Expression = "$.lat", Type = SelectorType.JsonPath)]
　　public string lat { get; set; }
　　[PropertyDefine(Expression = "$.lon", Type = SelectorType.JsonPath)]
　　public string lon { get; set; }
　　[PropertyDefine(Expression = "$.queryId", Type = SelectorType.JsonPath)]
　　public string queryId { get; set; }
　　[PropertyDefine(Expression = "$.supplyCarService", Type = SelectorType.JsonPath)]
　　public int supplyCarService { get; set; }
　　[PropertyDefine(Expression = "$.freeCarService", Type = SelectorType.JsonPath)]
　　public int freeCarService { get; set; }
　　[PropertyDefine(Expression = "$.isShenMaCar", Type = SelectorType.JsonPath)]
　　public int isShenMaCar { get; set; }
　　[PropertyDefine(Expression = "$.supportGetReturn", Type = SelectorType.JsonPath)]
　　public int supportGetReturn { get; set; }
　　[PropertyDefine(Expression = "$.confirmation", Type = SelectorType.JsonPath)]
　　public int confirmation { get; set; }
}

 

起始：

　　

/// <summary>
/// 應用程序的主入口點。
/// </summary>
[STAThread]
static void Main()
{
　　var site = new Site
　　{
　　　　CycleRetryTimes = 1,
　　　　SleepTime = 200,
　　　　Headers = new Dictionary<string, string>()
　　　　{
　　　　　　{"Accept","application/json, text/javascript, */*; q=0.01" },
　　　　　　{"Accept-Encoding","gzip, deflate" },
　　　　　　{"gzip, deflate","zh-CN,zh;q=0.9" },
　　　　　　{"X-Requested-With","XMLHttpRequest" },
　　　　　　{ "Referer", "http://www.atzuche.com/hz/car/search"},
　　　　　　{ "Connection","keep-alive" },
　　　　　　{ "Content-Type","application/json;charset=UTF-8" },
　　　　　　{ "Host","www.atzuche.com"},
　　　　　　{ "User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36"}
　　　　}
　　};
　　List<Request> resList = new List<Request>();

　　Request res = new Request();
　　//res.PostBody = $"id=7&j=%7B%22createMan%22%3A%2218273159100%22%2C%22createTime%22%3A1518433690000%2C%22row%22%3A5%2C%22siteUserActivityListId%22%3A8553%2C%22siteUserPageRowModuleId%22%3A84959%2C%22topids%22%3A%22%22%2C%22wherePhase%22%3A%221%22%2C%22wherePreferential%22%3A%220%22%2C%22whereUsertype%22%3A%220%22%7D&page={i}&shopid=83106681";//據說是post請求需要
　　res.Url = "http://www.atzuche.com/car/searchListMap/2?cityCode=330100&sceneCode=U002&filterCondition%5Blon%5D=120.219294&filterCondition%5Blat%5D=30.259258&filterCondition%5Bseq%5D=4&pageNum=1&pageSize=0";
　　res.Method = System.Net.Http.HttpMethod.Get;

　　resList.Add(res);

　　var spider = DotnetSpider.Core.Spider.Create(site, new QueueDuplicateRemovedScheduler(), new AtzucheProcessor())
　　　　.AddStartRequests(resList.ToArray())//頁面抓取整理
　　　　.AddPipeline(new AtzuchePipe());//數據回調

　　//----------------------------------
　　spider.Monitor = new DotnetSpider.Core.Monitor.NLogMonitor();
　　spider.Downloader = new AtzucheDownloader(); //new DotnetSpider.Core.Downloader.HttpClientDownloader();
　　spider.ClearSchedulerAfterComplete = false;//爬蟲結束后不取消調度器
　　//----------------------------------

　　spider.ThreadNum = 1;
　　spider.Run();

　　Console.WriteLine("Press any key to continue...");
　　Console.Read();

}

 

這里也可將整個抓取方法當做一個Spider實例單獨放置 -> EntitySpider

 

　　

/// <summary>
/// 應用程序的主入口點。
/// </summary>
[STAThread]
static void Main()
{
　　AtzucheEntitySpider dDengEntitySpider = new AtzucheEntitySpider();
　　dDengEntitySpider.AddPageProcessor(new AtzucheProcessor());//控制器
　　dDengEntitySpider.AddPipeline(new AtzuchePipe());//回調
　　dDengEntitySpider.ThreadNum = 1;
　　dDengEntitySpider.Run();
　　Console.WriteLine("Press any key to continue...");
　　Console.Read();
}

 

Downloader

對目標的請求全部包含着這里，可以根據需要自行設置，下篇將進行自定義Request的應用

public class AtzucheDownloader : BaseDownloader
{
　　protected override Page DowloadContent(Request request, ISpider spider)
　　{ 
　　　　return new HttpClientDownloader().Download(request, spider);
　　}

　　//v2.5.0+版本
　　protected override Task<Page> DowloadContent(Request request, ISpider spider)
　　{
　　　　return new HttpClientDownloader().Download(request, spider);
　　}
}

 

 

新建爬蟲實體類 （如在Main里寫入實體爬蟲，此方法可省略）

public class AtzucheEntitySpider : EntitySpider
{
　　protected override void MyInit(params string[] arguments)
　　{
　　　　AddPipeline(new SqlServerEntityPipeline("Server=.;Database=AuzucheSpider;uid=sa;pwd=123;MultipleActiveResultSets=true"));//注意連接字符串中數據庫不能帶 .  親測報錯。。。
　　　　AddStartUrl("http://www.atzuche.com/car/searchListMap/2?cityCode=330100&sceneCode=U002&filterCondition%5Blon%5D=120.219294&filterCondition%5Blat%5D=30.259258&filterCondition%5Bseq%5D=4&pageNum=1&pageSize=0");
　　　　AddEntityType<AtzucheModel>();//如添加此實體類，框架將會根據此實體類上面的特性選擇進行匹配，匹配成功后插入數據庫，固可以省略Processor和Pipe，或者不使用此句，通過控制器和回調自定義存儲方法
　　}

public AtzucheEntitySpider() : base("AuzucheSpider", new Site
{
　　CycleRetryTimes = 1,
　　SleepTime = 200,
　　Headers = new Dictionary<string, string>()
　　{
　　　　{"Accept","application/json, text/javascript, */*; q=0.01" },
　　　　{"Accept-Encoding","gzip, deflate" },
　　　　{"gzip, deflate","zh-CN,zh;q=0.9" },
　　　　{"X-Requested-With","XMLHttpRequest" },
　　　　{ "Referer", "http://www.atzuche.com/hz/car/search"},
　　　　{ "Connection","keep-alive" },
　　　　{ "Content-Type","application/json;charset=UTF-8" },
　　　　{ "Host","www.atzuche.com"},
　　　　{ "User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36"}
　　}
　　})
　　{
　　}

}

 

接下來是處理器：

解析抓取的數據封裝到"AtzucheList"內，可Pipe內通過此名稱獲取處理好的數據。

public class AtzucheProcessor : IPageProcessor
{
　　public void Process(Page page, ISpider spider)
　　{
　　　　List<AtzucheModel> list = new List<AtzucheModel>();
　　　　var html = page.Selectable.JsonPath("$.data.content").GetValue();
　　　　list = JsonConvert.DeserializeObject<List<AtzucheModel>>(html);
　　　　page.AddResultItem("AtzucheList", list);
　　}
}

 

最后是回調，可在此加入保存數據的代碼，至此結束。

public class AtzuchePipe : BasePipeline
{
　　public override void Process(IEnumerable<ResultItems> resultItems, ISpider spider)
　　{
　　　　var result = new List<AtzucheModel>();
　　　　foreach (var resultItem in resultItems)
　　　　{
　　　　　　Console.WriteLine((resultItem.Results["AtzucheList"] as List<AtzucheModel>).Count);
　　　　　　foreach (var item in (resultItem.Results["AtzucheList"] as List<AtzucheModel>))
　　　　　　{
　　　　　　　　result.Add(new AtzucheModel()
　　　　　　　　{
　　　　　　　　　　carNo = item.carNo
　　　　　　　　});
　　　　　　　　Console.WriteLine($"{item.carNo}:{item.type} ");
　　　　　　}
　　　　}
　　}
}

 

 　　結果圖:

 

總體來說，此框架對新手還是很友好的，靈活寫法可以讓我們有較多的方式去實現爬蟲，因為這個爬蟲比較簡單，就先寫到這里，未來如果可能，會再嘗試使用框架內的多線程、代理等功能，如有心得將繼續分享，希望能對跟我一樣的新手有所幫助，十分感謝。