C#爬虫爬取某东商品信息

2024-05-10 09:12
文章标签 c# 爬虫 .net 爬取 netcore 商品信息 某东

本文主要是介绍C#爬虫爬取某东商品信息，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

🏆作者：科技、互联网行业优质创作者
🏆专注领域：.Net技术、软件架构、人工智能、数字化转型、DeveloperSharp、微服务、工业互联网、智能制造
🏆欢迎关注我（Net数字智慧化基地），里面有很多高价值技术文章，是你刻苦努力也积累不到的经验，能助你快速成长。升职+涨薪！！

在一个小项目中,需要用到京东的所有商品ID,因此就用c#写了个简单的爬虫。

在解析HTML中没有使用正则表达式，而是借助开源项目HtmlAgilityPack解析HTML。

一、下载网页HTML

首先我们写一个公共方法用来下载网页的HTML。

在写下载HTML方法之前，我们需要去查看京东网页请求头的相关信息，在发送请求时需要用到。

public static string DownloadHtml(string url, Encoding encode)
{string html = string.Empty;try{HttpWebRequest request = WebRequest.Create(url) as HttpWebRequest;request.Timeout = 30 * 1000;request.UserAgent = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36";request.ContentType = "text/html; charset=utf-8";using (HttpWebResponse response = request.GetResponse() as HttpWebResponse){if (response.StatusCode == HttpStatusCode.OK){try{StreamReader sr = new StreamReader(response.GetResponseStream(), encode);html = sr.ReadToEnd();//读取数据sr.Close();}catch (Exception ex){html = null;}}}}catch (System.Net.WebException ex){html = null;}catch (Exception ex){html = null;}return html;
}

如上代码所示，我们使用WebRequest来获取网页信息，在发送请求之前，需要先设置和京东页面一样的请求头。

以上设置的信息比较简单，但能够正常发送请求，我们也可以模拟浏览器设置cookie等等信息，

二、解析HTML

获取所有商品的信息分为两个步骤

（1）根据商品分类页面获取所有商品分类的URL

（2）根据商品分类URL获取每个商品

 1、获取商品分类

try
{string html = HttpHelper.DownloadUrl(@"http://www.jd.com/allSort.aspx");HtmlDocument doc = new HtmlDocument();doc.LoadHtml(html);string goodClass= @"//*[@class='items']/dl/dd";HtmlNodeCollection noneNodeList = doc.DocumentNode.SelectNodes(goodClass);foreach (var node in noneNodeList){HtmlDocument docChild = new HtmlDocument();docChild.LoadHtml(node.OuterHtml);string urlPath = "/dd/a";HtmlNodeCollection list = docChild.DocumentNode.SelectNodes(urlPath);foreach (var l in list){HtmlDocument docChild1 = new HtmlDocument();docChild1.LoadHtml(l.OuterHtml);var sortUrl = l.Attributes["href"].Value;if (!string.IsNullOrWhiteSpace(sortUrl) && sortUrl.Contains("cat=")){InsertSort("https:" + sortUrl);}}}
}
catch (Exception ex)
{Console.WriteLine(ex.Message);
}

上面的代码中使用到了HtmlAgilityPack来解析HTML信息，这是.NET的开源项目，开源在nuget包中下载。

（1）下载http://www.jd.com/allSort.aspx的html页，然后加载到HtmlDocument

（2）选择节点，获取每个大类的节点集合

（3）根据每个大类的节点，获取每个小类的节点信息，然后获取到分类地址

节点中也包含了其它很多信息，可以根据自己的需求去获取对应的信息

2、获取具体商品信息

  

（1）首先根据商品分类加载分类信息，获取到当前分类每个页面的链接

下载HTML之后，选择节点，可以将HTML格式化之后查看每个页面的url地址和拼接规则，然后借助HtmlAgilityPack

来筛选需要的节点，将每个页面的url分离出来

try
{string html = HttpHelper.DownloadUrl(@"https://list.jd.com/list.html?cat=1620,11158,11964");HtmlDocument productDoc = new HtmlDocument();productDoc.LoadHtml(html);HtmlNode pageNode = productDoc.DocumentNode.SelectSingleNode(@"//*[@id='J_topPage']/span/i");if (pageNode != null){int pageNum = Convert.ToInt32(pageNode.InnerText);for (int i = 1; i < pageNum + 1; i++){string pageUrl = string.Format("{0}&page={1}", category.Url, i).Replace("&page=1&", string.Format("&page={0}&", i));try{List<ProductInfo> proDuctInfo = GetPageProduct(pageUrl);}catch (Exception ex){Console.WriteLine(ex.Message);}}}
}
catch (Exception ex)
{Console.WriteLine(ex.Message);
}

（2）根据每个页面的链接，获取当前页面的商品信息

下载每个页面的所有商品信息，需要获取的商品信息在页面中都能找到

首先我们获取到每个商品的节点集合，获取到一个商品的节点信息之后，分析html数据，

找到我们需要的商品的信息所在的位置，然后将需要的信息分离出来。

下面的代码中我获取到的商品的id和title还有价格。

List<ProductInfo> productInfoList = new List<ProductInfo>();
try
{string html = HttpHelper.DownloadUrl(url);HtmlDocument doc = new HtmlDocument();doc.LoadHtml(html);HtmlNodeCollection productNodeList = doc.DocumentNode.SelectNodes("//*[@id='plist']/ul/li");if (productNodeList == null || productNodeList.Count == 0){return productInfoList;}foreach (var node in productNodeList){HtmlDocument docChild = new HtmlDocument();docChild.LoadHtml(node.OuterHtml);ProductInfo productInfo = new ProductInfo(){CategoryId = category.Id};HtmlNode urlNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a");if (urlNode == null){continue;}string newUrl= urlNode.Attributes["href"].Value;newUrl = !newUrl.StartsWith("http:")?"http:" + newUrl: newUrl;string sId = Path.GetFileName(newUrl).Replace(".html", "");productInfo.ProductId = long.Parse(sId);HtmlNode titleNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a/em");if (titleNode == null){continue;}productInfo.Title = titleNode.InnerText;HtmlNode priceNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-price']/strong/i");if (priceNode == null){continue;}else{}productInfoList.Add(productInfo);}//批量获取价格GetGoodsPrice(productInfoList);
}
catch (Exception ex)
{
}
return productInfoList;

商品的图片地址和价格信息的获取需要仔细分析html中的数据，然后找到规律，比如价格在每个节点中就不能单独获取。

以下为批量获取价格的代码：

try
{StringBuilder sb = new StringBuilder();sb.AppendFormat("http://p.3.cn/prices/mgets?callback=jQuery1069298&type=1&area=1_72_4137_0&skuIds={0}&pdbp=0&pdtk=&pdpin=&pduid=1945966343&_=1469022843655", string.Join("%2C", productInfoList.Select(c => string.Format("J_{0}", c.ProductId))));string html = HttpHelper.DownloadUrl(sb.ToString());if (string.IsNullOrWhiteSpace(html)){return productInfoList;}html = html.Substring(html.IndexOf("(") + 1);html = html.Substring(0, html.LastIndexOf(")"));List<CommodityPrice> priceList = JsonConvert.DeserializeObject<List<CommodityPrice>>(html);productInfoList.ForEach(c => c.Price = priceList.FirstOrDefault(p => p.id.Equals(string.Format("J_{0}", c.ProductId))).p);
}
catch (Exception ex)
{Console.WriteLine(ex.Message);
}
return productInfoList;

以上就是一个简单的爬取京东商品信息的爬虫，也可以根据自己的需求去解析更多的数据出来。

🏆欢迎订阅我的专栏（.NET/C#中大型项目开发），里面有很多高价值技术文章，是你刻苦努力也积累不到的经验，能助你涨薪+升职！让你快速成长为相关领域的架构师、领航员。也能让普通中小企业轻松享有大型互联网分布式系统解决方案。
🏆同时，专栏（.NET/C#中大型项目开发）的内容也能教你采用最简单的方式开发.NET/C#中大型应用——理清技术脉络、形成思维体系、获取最佳实践、框架开发能力。让你具备挑战百万年薪的基础，逐渐成为国内一流.NET/C#从业者。

这篇关于C#爬虫爬取某东商品信息的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/976021。

相关文章

C#中lock关键字的使用小结

C#中lock关键字的使用小结

《C#中lock关键字的使用小结》在C#中,lock关键字用于确保当一个线程位于给定实例的代码块中时,其他线程无法访问同一实例的该代码块,下面就来介绍一下lock关键字的使用... 目录使用方式工作原理注意事项示例代码为什么不能lock值类型在C#中，lock关键字用于确保当一个线程位于给定实例的代码块中时
阅读更多...
C# $字符串插值的使用

C# $字符串插值的使用

《C#$字符串插值的使用》本文介绍了C#中的字符串插值功能,详细介绍了使用$符号的实现方式,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习吧... 目录$ 字符使用方式创建内插字符串包含不同的数据类型控制内插表达式的格式控制内插表达式的对齐方式内插表达式中使用转义序列内插表达式中使用
阅读更多...
C#中的Converter的具体应用

C#中的Converter的具体应用

《C#中的Converter的具体应用》C#中的Converter提供了一种灵活的类型转换机制,本文详细介绍了Converter的基本概念、使用场景,具有一定的参考价值,感兴趣的可以了解一下... 目录Converter的基本概念1. Converter委托2. 使用场景布尔型转换示例示例1：简单的字符串到
阅读更多...
C#监听txt文档获取新数据方式

C#监听txt文档获取新数据方式

《C#监听txt文档获取新数据方式》文章介绍通过监听txt文件获取最新数据,并实现开机自启动、禁用窗口关闭按钮、阻止Ctrl+C中断及防止程序退出等功能,代码整合于主函数中,供参考学习... 目录前言一、监听txt文档增加数据二、其他功能1. 设置开机自启动2. 禁止控制台窗口关闭按钮3. 阻止Ctrl +
阅读更多...
C#解析JSON数据全攻略指南

C#解析JSON数据全攻略指南

《C#解析JSON数据全攻略指南》这篇文章主要为大家详细介绍了使用C#解析JSON数据全攻略指南,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、为什么jsON是C#开发必修课？二、四步搞定网络JSON数据1. 获取数据 - HttpClient最佳实践2. 动态解析 - 快速
阅读更多...
C#连接SQL server数据库命令的基本步骤

C#连接SQL server数据库命令的基本步骤

《C#连接SQLserver数据库命令的基本步骤》文章讲解了连接SQLServer数据库的步骤,包括引入命名空间、构建连接字符串、使用SqlConnection和SqlCommand执行SQL操作,... 目录建议配合使用：如何下载和安装SQL server数据库-CSDN博客1. 引入必要的命名空间2.
阅读更多...
C#读写文本文件的多种方式详解

C#读写文本文件的多种方式详解

《C#读写文本文件的多种方式详解》这篇文章主要为大家详细介绍了C#中各种常用的文件读写方式,包括文本文件,二进制文件、CSV文件、JSON文件等,有需要的小伙伴可以参考一下... 目录一、文本文件读写1. 使用 File 类的静态方法2. 使用 StreamReader 和 StreamWriter二、二进
阅读更多...
C#中Guid类使用小结

C#中Guid类使用小结

《C#中Guid类使用小结》本文主要介绍了C#中Guid类用于生成和操作128位的唯一标识符,用于数据库主键及分布式系统,支持通过NewGuid、Parse等方法生成,感兴趣的可以了解一下... 目录前言一、什么是 Guid二、生成 Guid1. 使用 Guid.NewGuid() 方法2. 从字符串创建
阅读更多...
C# 比较两个list 之间元素差异的常用方法

C# 比较两个list 之间元素差异的常用方法

《C#比较两个list之间元素差异的常用方法》：本文主要介绍C#比较两个list之间元素差异,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录1. 使用Except方法2. 使用Except的逆操作3. 使用LINQ的Join,GroupJoin
阅读更多...
C#如何去掉文件夹或文件名非法字符

C#如何去掉文件夹或文件名非法字符

《C#如何去掉文件夹或文件名非法字符》：本文主要介绍C#如何去掉文件夹或文件名非法字符的问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#去掉文件夹或文件名非法字符net类库提供了非法字符的数组这里还有个小窍门总结C#去掉文件夹或文件名非法字符实现有输入字
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2