[转载]C#采集代理服务器ip并设置IE代理–HtmlAgilityPack实战代码 – 凤凰涅磐360yi – 博客园.
今天在博客园看到一篇文章,说是C#采集某某的数据,其实做采集小软件很久了,
用的最好的还是HtmlAgilityPack,真的没话说,非常方便快捷。
这里有详细介绍[.Net解析html文档类库HtmlAgilityPack完整使用说明–采集软件开发尤其好用].
本文不做详细说明了。主要还是上代码啊。毕竟业务应用才是我们开发人员努力编码的最终目的,
谁也不会为了单纯写点代码就自我满足了,满足业务需求才是主要的。
最近朋友叫我帮忙写一个小程序,获取某个网站的代理。也不怕大家知道了,就是这个网站
http://www.youdaili.cn/ 牛逼吧??好像你要批量的代理ip还得花钱买的。
但是现在我就告诉你不用花钱的方法,就是自己去复制,哈哈,开玩笑。
程序员都是懒人,谁会去复制,还是交给程序自动实现吧–那就是采集程序。
言归正传,今天就是主要介绍使用C#组件HtmlAgilityPack进行获取代理服务器ip和端口,
并手动设置到IE中的一个小程序。当然咯,开源哦。
代码萌点这里。百度网盘 http://pan.baidu.com/share/link?shareid=2118473016&uk=1765114824
流程很简单:打开主页,获取今天最新的代理网站地址,打开该链接,再去获取代理ip即可。
道理很简单,实现也很简单。
用程序打开网站主页http://www.youdaili.cn/ ,里面会有一个new的标示,但是我们不用这个标示,
我们用日期!这个最准确的。
我们可以看到08-19的最新代理就在那里。但是怎么让程序得到那?
首先我们可以用chrome的代码工具查看源代码,
我们想要得到的链接是在ul的li下面。
所有我们可以得到这样的正则表达式Xpath://ul/li/a
对应程序代码就是:
iplist = new List<Model.IpModel>();//我的实体 HtmlAgilityPack.HtmlWeb hw = new HtmlAgilityPack.HtmlWeb();//用的HtmlAgilityPack hw.AutoDetectEncoding = false; //现在下面的代码很重要。 HttpWebRequest req; req = WebRequest.Create(new Uri(@”http://www.youdaili.cn/”)) as HttpWebRequest; req.Method = “GET”;
HttpWebResponse rs = (HttpWebResponse)req.GetResponse(); System.IO.StreamReader sr = new StreamReader(rs.GetResponseStream(), System.Text.Encoding.GetEncoding(“utf-8”)); try { HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument(); doc.Load(sr); GetHrefs(doc); //然后就是上面所说的用的正则表达式了。 } catch (Exception e) { Console.WriteLine(e.Message.ToString()); Console.WriteLine(e.StackTrace); } |
大家可能注意到上面标红的地方说明很重要。主要是youdaili.cn的网站编码有点问题。只有这样才能得出gb2312的网页源代码。
然后就是上面所说的用的正则表达式了。
private void GetHrefs(HtmlAgilityPack.HtmlDocument _doc) { string todaydaili = DateTime.Now.ToString(“MM-dd”); HtmlNodeCollection hrefs = _doc.DocumentNode.SelectNodes(“//ul/li/a”); if (hrefs == null) return;
foreach (HtmlNode href in hrefs) { if (href.Attributes[“title”] != null && href.Attributes[“href”] != null) { string tilte = href.Attributes[“title”].Value; string urll = href.Attributes[“href”].Value; if (tilte.IndexOf(todaydaili) >= 0 && urll.Length > 0) { IpUrl model = new IpUrl(); if (urll.IndexOf(“guonei”) > 0) { model.DaiLi = 0; model.Url = urll; IpUrlList.Add(model); } if (urll.IndexOf(“guowai”) > 0) { model.DaiLi = 1; model.Url = urll; IpUrlList.Add(model); } } } } string url = “”;
int tmppage = 1; foreach(IpUrl urla in IpUrlList) {
for (int startpage = 1; startpage <= 10; startpage++) { this.lb_result.Text = “正在采集第” + tmppage.ToString() + “页IP列表请稍后………”; url = urla.Url.Replace(“.html”,””); if (tmppage != 1) { url = url + “_” + startpage.ToString() + “.html”; } else { url = url + “.html”; } CaiJiIp(url, tmppage, urla.DaiLi); tmppage++; } } this.lb_result.Text = “本次采集采集完毕!”; this.btn_caiji.Enabled = true; this.timer1.Stop(); } |
采集之后,我现在是保存到内存,还没有实际保存数据,各位自行解决数据保存问题吧。
采集之后的代理数据,怎么使用概不负责。haha。
转发注明来源哦:IT分享 http://suchso.com