.net 信息采集ajax數據

.net 信息采集ajax數據

關於.net信息采集的資料很多，但是如果采集的網站是ajax異步加載數據的模式，又如何采集呢？今天就把自己做信息采集時，所遇到的一些問題和心得跟大家分享一下。

采集網站的幾種方式與利弊：

1. HttpWebRequest

利用系統自帶HttpWebRequest對象，采集網站內容，優點是采集效率快，但是如果網站是ajax異步加載數據的方式，是采集不到網頁內容的，並且網站沒有采用ajax的方式，在網頁中用到了javascript，比如說：網頁內容用document.write的方式輸出到網頁中的，這種情況也是獲取不到內容的。其次還需要知道對方網站的編碼格式（就是網頁頭部中<meta charset="utf-8"/>），如果采集時網站編碼格式錯誤的話，會導致采集的內容是亂碼。但這個是小問題，我自己當時查閱資料時找到了別人封裝好的方法，但是很慚愧因為不知道作者是誰了，我會把相應的代碼下載鏈接提供給大家。以上的問題是因為js和ajax是需要瀏覽器去解析的，所以導致了獲取不到網頁內容。

Help.HttpHelp.HttpRequest("采集的網址");

源碼下載地址

          2.瀏覽器控件

因為當時我開發的時候，用的是cs模式，相信大家同樣也會用cs的模式去開發這個功能。既然是cs模式（不考慮美觀）的情況下肯定是WinForm，WinForm中有自帶的瀏覽器控件，這個是不好用的，我當時用的是Geckofx，基於火狐內核的一款瀏覽器控件，但是這方面的資料很少，當時遇到了一些問題都找不到解決方法，但后來還是都解決了。用了該控件就可以獲取到ajax異步加載的數據，在網頁加載完成之后，延遲幾秒鍾獲取網頁內容，就可以很方便的獲取到網頁內容，缺點是相對第一種方案來說的話會慢一些，因為它是一個瀏覽器控件，需要渲染html和解析js等操作。

Geckofx下載

GeckoWebBrowser webBrowser = null;

        private void Form1_Load(object sender, EventArgs e)
        {
            string xulrunnerPath = AppDomain.CurrentDomain.BaseDirectory + "\\bin";
            Xpcom.Initialize(xulrunnerPath);
            //設置為3阻止所有的彈出窗口，
            GeckoPreferences.User["privacy.popups.disable_from_plugins"] = 3;
            //禁止加載圖片
            GeckoPreferences.User["permissions.default.image"] = 2;

            webBrowser = new GeckoWebBrowser();
            webBrowser.Navigate("http://www.baidu.com");
            webBrowser.DocumentCompleted += DocumentCompleted;
        }

        private void DocumentCompleted(object sender, Gecko.Events.GeckoDocumentCompletedEventArgs e)
        {
            var time = new System.Windows.Forms.Timer();
            time.Interval = 2000;
            time.Tick += (a, b) =>
            {
                time.Stop();
                string html = "";
                //頁加載完成
                GeckoHtmlElement element = null;
                var geckoDomElement = webBrowser.Document.DocumentElement;
                if (geckoDomElement != null && geckoDomElement is GeckoHtmlElement)
                {
                    element = (GeckoHtmlElement)geckoDomElement;
                    //網頁內容
                    html = element.InnerHtml;
                    txtHtml.Text = html;
                    /*
                    //通過xpath 查找class為btnLogin的元素
                    GeckoNode btnLogin = webBrowser.Document.SelectFirst(".//*[@class='btnLogin']");
                    if (btnLogin != null)
                    {
                        GeckoHtmlElement ie = btnLogin as GeckoHtmlElement;
                        //手動觸發點擊事件
                        ie.Click();
                    }*/
                }
            };
            time.Start();
        }

 

         3.phantomjs

phantomjs可以把它理解為也是一個瀏覽器控件，只不過它使用QtWebKit作為它核心瀏覽器的功能，使用webkit來編譯解釋執行JavaScript代碼。利用該組件就可以很方便的獲取到網頁內容，同時也包括了ajax加載的數據，如果是分頁的情況下，首次加載不需要延遲，如果獲取第2頁及以上內容的話同樣也需要延遲才能獲取到，並且它可以很方便的完成網頁快照（就是網頁截屏），至於其他的功能大家可以自己查閱一下資料。

phantomjs下載地址

  IWebDriver driver = null;

        private void btnGo_Click(object sender, EventArgs e)
        {
            string phantomjsDire = AppDomain.CurrentDomain.BaseDirectory;

            PhantomJSDriverService service = PhantomJSDriverService.CreateDefaultService(phantomjsDire);
            service.IgnoreSslErrors = true;
            service.LoadImages = false;
            service.ProxyType = "none";

            driver = new PhantomJSDriver(phantomjsDire);
            /*IWindow iWindow = driver.Manage().Window;
            iWindow.Size = new Size(10,10);
            iWindow.Position = new Point(0, 600);*/

            driver.Navigate().GoToUrl(textBox1.Text);
            string html = driver.PageSource;
            txtHtml.Text = html;

            //driver.Close();
            //driver.Quit();
        }

        private void btnPage_Click(object sender, EventArgs e)
        {
            //  .//*[@class='next'][text()='下一頁']
            //  .//*[@class='text']
            //  .//*[@class='button']
            //IWebElement element = driver.FindElement(By.XPath(".//*[@class='text']"));
            //給網頁中文本框賦值
            //element.SendKeys("4");

            IWebElement btnElement = driver.FindElement(By.XPath(".//*[@class='next'][text()='下一頁']"));
            btnElement.Click();

            var time = new System.Windows.Forms.Timer();
            time.Interval = 2 * 1000;
            time.Tick += (a, b) =>
            {
                time.Stop();
                string html = driver.PageSource;
                txtHtml.Text = html;
            };
            time.Start();
        }

 網站內容中url地址如果是相對地址的話，就是../../a.html，這種情況要想獲取絕對地址的話，可以用以下方法：

        /// <summary>
        /// 獲取絕對url地址
        /// </summary>
        /// <param name="baseUri">當前頁地址</param>
        /// <param name="relativeUri">相對路徑地址</param>
        /// <returns></returns>
        public static string GetRealUrl(string baseUri, string relativeUri)
        {
            try
            {
                baseUri = System.Web.HttpUtility.UrlDecode(baseUri);
                relativeUri = System.Web.HttpUtility.UrlDecode(relativeUri);
                Uri baseUriModel = new Uri(baseUri);
                Uri uri = new Uri(baseUriModel, relativeUri);
                string result = uri.ToString();
                baseUriModel = null;
                uri = null;
                return result;
            }
            catch (Exception ex)
            {
            }
            return relativeUri;
        }

 

  總結：

以上說的第2、3種方式都可以獲取到ajax異步加載的內容，同時還能通過xpath模式查找網頁中的元素，例如分頁標簽和按鈕，找到元素之后可以調用click點擊事件，就能輕松的解決分頁問題。好多網站分頁分到最后一頁的時候，處理的情況都不一樣，需要自己去處理，例如有的隱藏下一頁按鈕、有的是禁用等等。

獲取到網頁內容之后，要想獲取自己需要的內容，可以通過HtmlAgilityPack插件，它是通過xpath的模式查找內容。

以下我會將自己開發的信息采集系統截圖發出來。

 

歡迎任何形式的轉載，但請務必注明出處。

文案功底有限，碼字不易，不喜勿噴，如果文章和代碼有表述不當之處，還請不吝賜教。