2.HtmlAgilityPack 爬取優酷電影名進階（所有分類+多線程）

上一章節中我們實現了對優酷單頁面的爬取，簡單進行回顧一下，使用HtmlAgilityPack庫，對爬蟲的爬取一共分爲三步

• 爬蟲步驟
  • 加載頁面
  • 解析數據
  • 保存數據

繼第一篇文檔後的爬蟲進階，本文章主要是對上一篇的進階。實現的功能主要爲： 1、爬取電影類別列表 2、循環每個類別的電影信息，對每個類別的信息分頁爬取 3、爬取的數據保存到數據庫中

一、爬取電影類別列表

電影類別頁.png

使用Chrome瀏覽器，F12，找到當前位置，得到當前位置的Xpath。我們需要的數據是電影的類別編碼和電影類別名稱。

規則分析： XPATH路徑爲 "//*[@id='filterPanel']/div/ul/li/a") 類別編碼爲A標籤Href路徑的內容，我們對其進行截取 類別名稱爲A標籤InnerTest，我們對其進行截取

代碼示例

     //加載web內容
         private static readonly string _url = "http://list.youku.com/category/video/c_0.html";

        /// <summary>
        ///     得到所有的類別
        /// </summary>
        public static List<VideoType> GetVideoTypes()
        {
            //加載web內容
            var web = new HtmlWeb();
            var doc = web.Load(_url);

            //內容解析-獲得所有的類別
            var allTypes = doc.DocumentNode.SelectNodes("//*[@id='filterPanel']/div/ul/li/a").ToList();

            //類別列表中去掉【全部】這個選項
            var typeResults = allTypes.Where((u, i) => { return i > 0; }).ToList();

            var reList = new List<VideoType>();
            foreach (var node in typeResults)
            {
                var href = node.Attributes["href"].Value;
                reList.Add(new VideoType
                {
                    Code = href.Substring(href.LastIndexOf("/") + 1, href.LastIndexOf(".") - href.LastIndexOf("/") - 1),
                    Name = node.InnerText
                });
            }

            return reList;
        }

二、爬取每個類別的總分頁數

code 爲電影類別編碼 頁面規則 $"http://list.youku.com/category/show/{code}.html" 根據頁面規則進行爬取：

        /// <summary>
        ///     得到當前類別的總頁數
        /// </summary>
        public static int GetPageCountByCode(string code)
        {
            var web = new HtmlWeb();
            var doc = web.Load($"http://list.youku.com/category/show/{code}.html");

            //分頁列表
            var pageList = doc.DocumentNode.CssSelect(".yk-pages li").ToList();
            //得到倒數第二項
            var lastsecond = pageList[pageList.Count - 2];
            return Convert.ToInt32(lastsecond.InnerText);
        }

三、按照頁碼得到每個電影類別的內容

根據分頁規則分析出分頁後的地址爲 code 爲編碼 pageIndex爲第幾頁 頁面規則：http://list.youku.com/category/show/{code}s_1_d_1_p{pageIndex}.html 根據頁面規則進行爬取：

    /// <summary>
        ///     得到當前類別的內容
        /// </summary>
        public static List<VideoContent> GetContentsByCode(string code, int pageIndex)
        {
            var web = new HtmlWeb();
            var doc = web.Load($"http://list.youku.com/category/show/{code}_s_1_d_1_p_{pageIndex}.html");

            var returnLi = new List<VideoContent>();
            var contents = doc.DocumentNode.CssSelect(".yk-col4").ToList();

            foreach (var node in contents)
                returnLi.Add(new VideoContent
                {
                    PageIndex = pageIndex.ToString(),
                    Code = code,
                    Title = node.CssSelect(".info-list .title a").FirstOrDefault()?.InnerText,
                    Hits = node.CssSelect(".info-list li").LastOrDefault()?.InnerText,
                    Href = node.CssSelect(".info-list .title a").FirstOrDefault()?.Attributes["href"].Value,
                    ImgHref = node.CssSelect(".p-thumb img").FirstOrDefault()?.Attributes["Src"].Value
                });

            return returnLi;
        }

四、測試爬取的結果

        /// <summary>
        ///     打印得到的內容
        /// </summary>
        public static void PrintContent()
        {
            var count = 0;
            foreach (var node in GetVideoTypes())
            {
                var resultLi = new List<VideoContent>();
                //得到當前類別總分頁數
                var pageCount = GetPageCountByCode(node.Code);
                //遍歷分頁得到內容
                for (var i = 1; i <= pageCount; i++) resultLi.AddRange(GetContentsByCode(node.Code, i));
                Console.WriteLine($"編碼{node.Code} \t 頁數{pageCount} \t 總個數{resultLi.Count}");
                count += resultLi.Count;
            }

            Console.WriteLine($"總個數爲{count}");
        }

代碼下載地址：

https://github.com/happlyfox/FoxCrawler/tree/master/%E5%AD%A6%E4%B9%A0%E7%A4%BA%E4%BE%8B/YouKuCrawler/YouKuCrawlerAsync