作者:finallyliuyu (轉載請註明作者:finallyliuyu,出處:博客園)
從事網絡數據抓取採集從本科畢設算起已有一年多的時間,最開始是針對靜態網頁,寫正則表達式,從網絡上抓取信息。但是隨着工作的深入,
發現很多網頁單單用正則表達式並不能完成抓取工作,比如很多網頁的下一頁鏈接是由JavaScript函數生成的比如
<li><a href="#" οnclick="javascript:gotoPage('2')">2</a></li>這樣的網頁,即便你用正則表達式,提取到了href也無法獲得下一頁鏈接。
另外 如果url中還有“#”字段的,用httpresponse,httprequest獲取的網頁源碼流與你在瀏覽器中所看到的頁面視圖也是不同的,因此單單用正則表達式,則處理起還有js腳本的動態網頁就顯得力不從心了。
怎麼辦?
可以採用DOM+正則+瀏覽器組件來解決上面的問題。
DOM (Document Object Model),是一個接口標準,該接口是將html網頁解析成爲樹的格式,關於DOM的教程,請見:http://www.w3.org/DOM/ 雖然上面講的是JavaScript的 DOM 接口函數,但是由於DOM是一個接口標準,其他語言實現的DOM接口也是大同小異的。
正則表達式:在完成文本匹配方面有着不可或缺的作用,這個powerful的工具,DOM是無法取代的。
瀏覽器組件: 包含解釋JS語句的功能,有了瀏覽器組件的幫忙,我們的工作會更加省力(另外:園子裏有網友建議什麼Xpath,webrequest等等,沒有用過,如果有人在這方面比較熟悉不妨交流下)
本功能採用VS2008 C# Winform 平臺
在此平臺下調用正則要在程序的頭部加入聲明:
using System.Text.RegularExpressions;
調用DOM組件,需要在工程的引用中加入Microsoft.mshtml
瀏覽器組件用的是webbrowser
首先我們要在程序中構造一個簡單的瀏覽器,要有一個combobox列表框(顯示當前網頁的URL),前進和後退按鈕,控制瀏覽器刷新視圖 實現代碼如下:
{
string url = comboBox1.Text.Trim();
webBrowser1.Navigate(url);
}
private void btnBack_Click(object sender, EventArgs e)
{
webBrowser1.GoBack();
}
光有前進和後退還不夠,我們希望當瀏覽器視圖刷新後,combobox裏面的URL也跟着刷新,所以要再給瀏覽器添加一個Navigated事件,更新combobox顯示的文本。代碼如下:
{
comboBox1.Text = webBrowser1.Url.ToString();
}
這還不夠,當你實現上述代碼時你會發現,你點擊webbrowser裏面的鏈接時,會在本地IE中顯示新網頁,所以我們還需要添加一個NewWindow事件代碼如下
{
e.Cancel = true;
if (webBrowser1.Document.ActiveElement != null)
{
webBrowser1.Navigate(webBrowser1.Document.ActiveElement.GetAttribute("href"));
comboBox1.Text = webBrowser1.Document.ActiveElement.GetAttribute("href");
}
}
實現瞭如上代碼,那麼程序中就配置好了一個簡易的IE瀏覽器了。剩下的問題就是如何設計爬蟲邏輯,形成自動爬蟲機器人了(這裏聲明一下:本篇博文僅提供一個自動爬蟲機器人的框架性思路,至於如何捕獲具體的網頁信息塊兒BOI(block of interest)還需要根據網頁的具體情況配置不同的模板。
爲了方便大家理解,下面給出我的任務需求
一級索引頁面包括若干指向二級索引頁面的鏈接,二級索引頁面又包含若干指向正文頁的鏈接,我們的目的是從一級索引頁獲取指向二級索引頁的鏈接,並且遍歷所有二級索引頁,提取出其指向正文的鏈接,保存下來。 其中難點在於一級索引頁指向的是二級索引頁的首頁,二級索引頁還有若干後續頁。二級索引頁的首頁以及後續頁上都有指向正文頁的鏈接。可以這麼打個比方,比如一個小論壇(可以視爲一級索引頁) 有三個板塊 生活(視爲二級索引頁),美食,IT。不同板塊內部又分了N多頁,每個頁面上都有正向具體內容(正文頁)的鏈接。
所以,實現需求需要在二級索引頁的首頁進行向下翻頁。下面給出二級索引頁體現鏈接到下一頁的形式:
或者:
並且,所有的URL 都是用javascript函數生成的,這樣就沒有辦法用正則來解決了。
我的思路是這樣的,定位當前頁,用DOM 定位當前頁下一頁的anchor並且模擬點擊。
方法是首先定位當前頁面的頁碼(這個不難辦到,因爲所有的頁碼鏈接信息在一個塊中,並且當前頁面對於當前頁面沒有鏈接),然後取出當前頁面的所有頁碼,並且按照從大到小排序,
並且比較curpageId+1與當前頁面最大頁碼之間的關係,如果curpage+1<<maxPageId,則說明在當前頁面能夠定位到當前頁的下一頁;反之,就看是否有還有Next的aTag,如果有則Next就是當前頁面的下一頁,如果不存在含有Next的aTag,則說明已經到了尾頁。
完成上面的功能,最複雜的部分是處理Webbrowser的異步更新問題,在網上找了若干資料,覺得講得比較好的還是:http://www.hackpig.cn/post/28.html
本文的方法就是參照了鏈接中的博文內容,並進行改進。 下面上個圖片,說一下我的程序的工作機制
實際工作中僅用到了兩個按鈕,journapmap 和buildwokflow
按下journalmap,則獲取了一個全局數據結構,存放各個二級索引頁的首頁地址
按下buildworkflow,則爬蟲開始自動遍歷所有二級索引頁的首頁地址,翻頁爬取正文頁的URL
在工作中,要先按journalmap按鈕,提示二級索引頁首頁地址提取出後,在按下buildworkflow按鈕,讓程序自動工作。
爲了保證程序運行邏輯,爲窗體聲明四個信號變量
public bool mysignal2;
public bool loading;//工作流按鈕與webbrowser進行交互的通信按鈕
public bool subloading;
並做如下初始賦值:
{
InitializeComponent();
mysignal1 = false;
mysignal2 = false;
loading = true;
subloading = true;
issuesMap = new List<string>();
}
下面給出BuidWorkFlow和webbrowser.documentcompleted的代碼,看看這兩者是如何交互工作的
{
mysignal1 = true;
List<ArticlePage> arListCurrentPage;
foreach (string s in issuesMap)
{
loading = true;
string tmpurl = s;
webBrowser1.Navigate(tmpurl);
while (loading == true)
{
Application.DoEvents();
}
arListCurrentPage = GetArticlePageInfoFromCurrentDirpage();
if (arListCurrentPage != null)
{
InsertTitleUrlToDataBase(arListCurrentPage);
}
mysignal2 = true;
while (AnchorNextPage())
{
subloading = true;
while(subloading)
{
Application.DoEvents();
}
arListCurrentPage = GetArticlePageInfoFromCurrentDirpage();
if (arListCurrentPage != null)
{
InsertTitleUrlToDataBase(arListCurrentPage);
}
}
mysignal2 = false;
//獲得當前頁面的下一頁鏈接
}
}
{
if (webBrowser1.ReadyState ==WebBrowserReadyState.Complete)
{
if (mysignal1)
{
if (!mysignal2)
{
loading = false;
}
else
{
subloading = false;
}
}
}
}
解釋一下 btnworkflow和webbrowser交互工作的原理。 按下btnworkflow按鈕,mysingal1的值就爲真,這時候 webbrowser文檔加載完畢後給loading賦值爲假,使btnworkflow循環後面的代碼得以執行,即將二級索引頁首頁中所包含的正文URL提取出來保存到數據庫,之後mysignal2的值爲真,這時候,webbrowser文檔加載完畢後給subloading賦值爲假,使得btnworkflow中子循環得以不斷運行,周而復始地完成提取當前頁正文URL鏈接,翻到下一頁,直到沒有下一頁可翻了,btnworkflow的子循環退出,mysignal2被賦值爲假,webbrowser文檔加載完畢後更新loading爲假,使得下一個二級索引首頁的內容能夠提取出來。
幾點要說明的是:我在完成此功能的時候,參考了網絡上很多代碼片段,很多的代碼片段在webbrowser_documentcompleted函數中,完成解析內容,獲取下一頁鏈接,翻頁的代碼。這樣做
很容易出現信息提取重複(即一個頁面提取了兩到三次)。
最後給出程序中利用DOM點擊下一頁的代碼:
{ bool rstStatus=false;
.......中間的代碼是利用正則表達式和DOM函數(如GetElementByTagName,GetElementById等)定位到當前頁的下一頁鏈接
if (htmlElemNext != null)
{
mshtml.IHTMLElement anchor = (mshtml.IHTMLElement)htmlElemNext.DomElement;
anchor.click();//模擬點擊
rstStatus=true;
}
return rstStatus;
}