怎么用IronPython做網頁爬蟲

本篇內容介紹了“怎么用IronPython做網頁爬蟲”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

由于各種原因，我們經常需要去別的網站采集一些信息，.net下所有相關的技術都已經非常成熟，用Webrequest抓取頁面，既支持自定義Reference頭，又支持cookie，解析頁面一般都是用正則，而且對方網站結構一變，還得重新改代碼，重新編譯，發布。

如果有了IronPython，可以把抓取和分析的邏輯做成Python腳本，如果對方頁面結構變了，只需修改腳本就行了，不需重新編譯軟件，這樣可以用c#做交互和界面部分，用Python封裝預期經常變化的部分。

安裝好IronPython和vs.net 2010后，還需要下載一個SGMLReader(見參考鏈接)，這個組件可以把格式不是很嚴格的HTML轉換成格式良好的XML文件，甚至還能增加DTD的驗證

我們以抓取百度貼吧頁面為例，新建一個Console項目，引用IronPython,Microsoft.Dynamic,Microsoft.Scripting,SgmlReaderDll這些組件，把SGMLReader里的Html.dtd復制到項目目錄下，如果沒有這個，它會根據doctype去網絡上找dtd，然后新建baidu.py的文件，***在項目屬性的生成事件里寫上如下代碼，把這兩個文件拷貝到目標目錄里

copy $(ProjectDir)\*.py $(TargetDir)  copy $(ProjectDir)\*.dtd $(TargetDir)

在baidu.py里首先引用必要的.net程序集

import clr, sys  clr.AddReference("SgmlReaderDll")  clr.AddReference("System.Xml")

完了導入我們需要的類

from Sgml import *  from System.Net import *  from System.IO import TextReader,StreamReader  from System.Xml import *  from System.Text.UnicodeEncoding import UTF8

利用SgmlReader寫一個把html轉換成xml的函數，注意SystemLiteral屬性必須設置，否則就會去網上找dtd了，浪費時間

def fromHtml(textReader):      sgmlReader = SgmlReader()      sgmlReader.SystemLiteral = "html.dtd"     sgmlReader.WhitespaceHandling = WhitespaceHandling.All      sgmlReader.CaseFolding = CaseFolding.ToLower      sgmlReader.InputStream = textReader            doc = XmlDocument()      doc.PreserveWhitespace = True     doc.XmlResolver = None     doc.Load(sgmlReader)      return doc

利用webrequest寫一個支持cookie和網頁編碼的抓網頁方法

def getWebData(url, method, data = None, cookie = None, encoding = "UTF-8"):      req = WebRequest.Create(url)      req.Method = method            if cookie != None:          req.CookieContainer = cookie            if data != None:          stream = req.GetRequestStream()          stream.Write(data, 0, data.Length)                rsp = req.GetResponse()      reader = StreamReader(rsp.GetResponseStream(), UTF8.GetEncoding(encoding))      return reader

寫一個類來定義抓取結果，這個類不需要在c#項目里定義，到時候直接用c# 4.0的dynamic關鍵字就可以使用

class Post:      def __init__(self, hit, comments, title, link, author):          self.hit = hit          self.comments = comments          self.title = title          self.link = link          self.author = author

定義主要工作的類，__init__大概相當于構造函數，我們傳入編碼參數，并初始化cookie容器和解析結果，[]是python里的列表，大約相當于c#的List

class BaiDu:      def __init__(self,encoding):          self.cc = self.cc = CookieContainer()                  self.encoding = encoding          self.posts = []

接下來定義抓取方法，調用getWebData抓網頁，然后用fromHtml轉換成xml，剩下的就是xml操作，和.net里一樣，一看便知

def getPosts(self, url):          reader = getWebData(url, "GET", None, self.cc, self.encoding)          doc = fromHtml(reader)                    trs = doc.SelectNodes("html//table[@id='thread_list_table']/tbody/tr")          self.parsePosts(trs)            def parsePosts(self, trs):          for tr in trs:                          tds = tr.SelectNodes("td")              hit = tds[0].InnerText              comments = tds[1].InnerText              title = tds[2].ChildNodes[1].InnerText              link = tds[2].ChildNodes[1].Attributes["href"]              author = tds[3].InnerText                            post = Post(hit, comments, title, link, author)              self.posts.append(post)

c#代碼要創建一個腳本運行環境，設置允許調試，然后執行baidu.py，***創建一個Baidu的類的實例，并用dynamic關鍵字引用這個實例

Dictionary options = new Dictionary();  options["Debug"] = true;  ScriptEngine engine = Python.CreateEngine(options);  ScriptScope scope = engine.ExecuteFile("baidu.py");  dynamic baidu = engine.Operations.Invoke(scope.GetVariable("BaiDu"), "GBK");

接下來調用BaiDu這個python類的方法獲取網頁抓取結果，然后輸出就可以了

baidu.getPosts("http://tieba.baidu.com/f?kw=seo");              dynamic posts = baidu.posts;              foreach (dynamic post in posts)              {                  Console.WriteLine("{0}   (回復數:{1})(點擊數：{2})[作者:{3}]",                      post.title,                      post.comments,                      post.hit,                      post.author);              }

“怎么用IronPython做網頁爬蟲”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！