目录
- 简介
- 获取 HTML 文档
- 解析 HTML 文档
- 测试
- 参考文章
简介
动态内容网站使用 JavaScript 脚本动态检索和渲染数据，爬取信息时需要模拟浏览器行为，否则获取到的源码基本是空的。爬取步骤如下：
- 使用 Selenium 获取渲染后的 HTML 文档
- 使用 HtmlAgilityPack 解析 HTML 文档
新建项目，安装需要的库：
- Selenium.WebDriver
- HtmlAgilityPack
获取 HTML 文档
需要注意的主要是以下2点：
- 设置浏览器启动参数：无头模式、禁用GPU加速、设置启动时窗口大小
- 等待页面动态加载完成：等待5秒钟，设置一个合适的时间即可
private static string GetHtml(string url)
{ChromeOptions options = new ChromeOptions();// 不显示浏览器options.AddArgument("--headless");// GPU加速可能会导致Chrome出现黑屏及CPU占用率过高options.AddArgument("--nogpu");// 设置chrome启动时size大小options.AddArgument("--window-size=10,10");using (var driver = new ChromeDriver(options)){try{driver.Manage().Window.Minimize();driver.Navigate().GoToUrl(url);// 等待页面动态加载完成Thread.Sleep(5000);// 返回页面源码return driver.PageSource;}catch (NoSuchElementException){Console.WriteLine("找不到该元素");return string.Empty;}}
}
解析 HTML 文档
这里以B站为例，爬取B站UP主主页上的视频信息，如视频的标题、链接、封面。
先定义一个类来保存信息：
class VideoInfo
{public string Title { get; set; }public string Href { get; set; }public string ImgUrl { get; set; }
}
定义解析函数，返回视频信息列表：
private static List<VideoInfo> GetVideoInfos(string url)
{List<VideoInfo> videoInfos = new List<VideoInfo>();// 加载文档var html = GetHtml(url);var htmlDoc = new HtmlDocument();htmlDoc.LoadHtml(html);// 解析文档，先定位到视频列表标签var xpath = "/html/body/div[2]/div[4]/div/div/div[1]/div[2]/div/div";var htmlNodes = htmlDoc.DocumentNode.SelectNodes(xpath);// 循环解析它的子节点视频信息foreach (var node in htmlNodes){var titleNode = node.SelectSingleNode("a[2]");var imgNode = node.SelectSingleNode("a[1]/div[1]/picture/source[1]");var title = titleNode.InnerText;var href = titleNode.Attributes["href"].Value.Trim('/');var imgUrl = imgNode.Attributes["srcset"].Value.Split('@')[0].Trim('/');videoInfos.Add(new VideoInfo{Title = title,Href = href,ImgUrl = imgUrl});}return videoInfos;
}
视频列表标签的 XPath 路径是通过浏览器调试工具，在指定标签上右键 复制完整的XPath 得到：
分析代码中的 node 节点时，html文本格式可能很乱，可以通过在线 HTML 代码格式化 工具格式后再进行分析。
测试
以B站UP主 星瞳_Official 为例，爬取视频信息：
static void Main(string[] args)
{var url = @"https://space.bilibili.com/401315430";var videoInfos = GetVideoInfos(url);foreach (var videoInfo in videoInfos){Console.WriteLine(videoInfo.Title);Console.WriteLine(videoInfo.Href);Console.WriteLine(videoInfo.ImgUrl);Console.WriteLine();}Console.ReadKey();
}
结果如下：
等一下，好妹妹
www.bilibili.com/video/BV1uyxLeJEM9
i0.hdslb.com/bfs/archive/46a15065d1b6722a04696ffaaa2235287ceaa452.jpg一口一个?你的超甜辣椒
www.bilibili.com/video/BV1AQsDeiEn1
i0.hdslb.com/bfs/archive/d93d47d67323ee284483e963ffed34fb9884cf61.jpg
这里只是演示爬取动态页面的方法，如果想获取B站UP主的视频信息，建议直接使用 API 请求数据。
参考文章
- 使用 C#语言进行网页抓取的终极指南
- C# 写个小爬虫，实现爬取js加载后的网页
- Html Agility Pack 文档
- [ 长期更新 ] C# Selenium 常用操作代码
