浅谈抓取网页数据（奉上Demo）
曾经在公司做过一个比价系统，就是抓取其它网站上商品的价格并和自己公司的商品进行对应，然后展示出来，给pm提供一个定价的参考。后来，有同事的朋友在找工作的时候，猎头让其做一个抓取去哪网最低价机票的程序，然后，我就帮忙整了一下。本文的目的在于提供这个程序的源码，然后和大家探讨一下网页信息抓取的相关点。Demo使用c#并在vs2012环境下运行。
背景
曾经在公司做过一个比价系统，就是抓取其它网站上商品的价格并和自己公司的商品进行对应，然后展示出来，给pm提供一个定价的参考。后来，有同事的朋友在找工作的时候，猎头让其做一个抓取去哪网最低价机票的程序，然后，我就帮忙整了一下。本文的目的在于提供这个程序的源码，然后和大家探讨一下网页信息抓取的相关点。Demo使用c#并在vs2012环境下运行。
项目结构一览
下面是Demo的项目结构图：
运行结果
下面是Demo的运行结果图：
思路&问题分析
- 个人以为，网页信息的获取分为两个阶段：1 知道目标网页和相关参数，并获取网页的源码 2 将获取到的源码抽取出我们需要的信息，并转换成c#对象
- 在Demo中的HttpHelper.cs文件下的类的职责就是设定目标网页地址和相关参数，该类是在网上找到的，据说可以无视cookie、证书等验证，很牛，推荐小伙伴们使用，所以，第一个目标是比较容易能够完成的
- 难点在于第二个目标，我们如何抓取html源码（json数据）中的有效信息并转换成我们需要的c#对象呢？Demo中获取的是json数据，然后用正则抓出了其中的一部分，再转换成一个实体类的列表。Demo中的AsyncRegexHelper是异步的正则匹配帮助类，在使用正则匹配的过程中，经常遇到无限回溯的问题，使用这个帮助类可以异步地执行匹配并且有一个超时时间。现在碰到的问题是正则匹配比较不靠谱，难度较大且不易扩展，目前打算想用Html Agility Pack来进行数据的匹配，希望伙伴们能指点下，谢谢大家。
总结
本人文笔拙劣，感谢大家的支持。提供源码，大家分享一下，希望能做一个通用点的系统，只需要输入网址和一些简单的规则，就能够获取我们所需要的信息。
版权声明：本文为SmallZL原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。