网页分页数据的三种抓取方式（转载）

相信所有个人网站的站长都有抓取别人数据的经历吧，目前抓取别人网站数据的方式无非两种方式：

  一、使用第三方工具，其中最著名的是火车头采集器，在此不做介绍。

 

  二、自己写程序抓取，这种方式要求站长自己写程序，可能对对站长的开发能力有所要求了。

 

  本人起初也曾试着用第三方的工具抓取我所需要的数据，由于网上的流行的第三方工具不是不符合我的要求，就是过于复杂，我一时没有搞明白怎么用，后来索性决定自己写吧，现在本人基本上半天可以搞定一个网站（只是程序开发时间，不包括数据抓取的时间）。

    经过一段时间的数据抓取生涯，也曾遇到了很多困难，其中最常见的一个就是关于分页数据的抓取问题，原因在于分数据分页的形式有很多种，下面我主要针对三种形式介绍一下抓取分页数据的方法，此类文章虽然在网上见过很多，但每次拿别人的代码总也总是有各种各样的问题，下面各种方式的代码都是能正确执行，并且我目前也正在使用中的。本文中代码实现是用C#语言来实现的，我想其他语言原理大致相同。

下面切入正题：

 

     第一种方式：URL地址中包含分页信息，这种形式是最简单的，这种形式使用第三方工具抓取也很简单，基本上不用写代码，对于我这种宁可自己花个半天时间写代码也懒得学第三方工具的人，还是通过自己写代码实现了；

    这种方式就是通过循环生成数据分页的URL地址 如： 这样通过HttpWebRequest访问对应URL地址，返回对应页面的html文本，接下来的任务就是对字符串的解析，将需要的内容保存到本地数据库内；抓取的代码可参考下面：

 

 public string GetResponseString(string url){
            string _StrResponse = "";
            HttpWebRequest _WebRequest = (HttpWebRequest)WebRequest.Create(url);

            _WebRequest.UserAgent = "MOZILLA/4.0 (COMPATIBLE; MSIE 7.0; WINDOWS NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.5.21022; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729)";

            _WebRequest.Method = "GET";

            WebResponse _WebResponse = _WebRequest.GetResponse();

            StreamReader _ResponseStream = new StreamReader(_WebResponse.GetResponseStream(), System.Text.Encoding.GetEncoding("gb2312"));

            _StrResponse = _ResponseStream.ReadToEnd();

            _WebResponse.Close();

            _ResponseStream.Close();

            return _StrResponse;
        }  

 

上面的代码可以返回对应页面的html内容的字符串，剩下的工作就是从这个字符串中获取自己关心的信息了。

 

     第二种方式：可能是通过asp.net开发的网站常会遇到，它的分页控件通过post方式 提交分页信息到后台代码，如.net下Gridview自带的分页功能，当你点击分页的页码时，会发现URL地址没有变化，但页码变化了，页面内容也变化，仔细看会发现，把鼠标移到每个页码上的时候状态栏会显示 javascript:__dopostback("gridview","page1")等等 之类的代码，这种形式其实也不是很难，因为毕竟有地方得到页码的规律可寻。

 

   我们知道http请求提交的方式有两种一种是get一种是Post，第一种方式是get方式，那么第二种方式就是post方式，具体提交的原理不必细说，不是本文的重点

 

抓取这种页面 需要注意asp.net页面的几个重要的元素

 

   一、 __VIEWSTATE ，这个应该是.net特有的，也是让.net开发人员既爱又恨的东西，当你打开一个网站的某一个页面的时候，如果发现这个东西，而且后面还跟随着一大堆乱七八糟的字符的时候，那这个网站肯定是用asp.net写的了;

 

   二、__dopostback方法，这个是asp.net页面自动生成一个javascript方法，包含两个参数，__EVENTTARGET，__EVENTARGUMENT，这两个参数可以参看页码对应的内容，因为点击翻页的时候，会将页码信息传给这两个参数。

 

   三、__EVENTVALIDATION 这个也也应该是asp.net特有的东西

 

大家也不用 太关心这三个东西都是干什么的，只需要注意自己写代码抓取页面的时候 记得提交这三个元素就可以了。

 

    和第一种方式一样，肯定要通过循环的方式是去拼凑_dopostback的两个参数，只需要拼其中包含了页码信息的参数即可。这里有一个需要注意的地方，就是在每次通过Post提交请求下一页的时候，先应得到当前页的__VIEWSTATE 信息和__EVENTVALIDATION信息，所以分页数据的第一页可采用第一种方式得到页码内容然后，同时取出对应的__VIEWSTATE 信息和__EVENTVALIDATION信息，然后再做循环处理下一页面，然后每抓取完一个页面，再记录下__VIEWSTATE 信息和__EVENTVALIDATION信息，为下一个页面post提交数据使用

 

参考代码如下：

 

 for (int i = 0; i < 1000; i++){
               System.Net.WebClient WebClientObj = new System.Net.WebClient();

                System.Collections.Specialized.NameValueCollection PostVars = new System.Collections.Specialized.NameValueCollection();

                PostVars.Add("__VIEWSTATE", "此处是您需要提前得到的信息");

                PostVars.Add("__EVENTVALIDATION", "此处是您需要提前得到的信息");

                PostVars.Add("__EVENTTARGET", "此处是__dopostback方法对应的参数");

                PostVars.Add("__EVENTARGUMENT",  "此处是__dopostback方法对应的参数");

                WebClientObj.Headers.Add("ContentType", "application/x-www-form-urlencoded");

                try

                {
                    byte[] byte1 = WebClientObj.UploadValues("http://www.xxxx.cn/messagelist.aspx", "POST", PostVars);

                    string ResponseStr = Encoding.UTF8.GetString(byte1); //得到当前页面对应的html 文本字符串

 

                    GetPostValue(ResponseStr);//得到当前页面对应的 __VIEWSTATE 等上面需要的信息，为抓取下一页面使用

                    SaveMessage(ResponseStr);//保存自己关心的内容到数据库中

                }catch (Exception ex){

                    Console.WriteLine(ex.Message);

                }
            }

      第三种方式：第三种方式是最麻烦的，也是最恶心的，这种页面 在你翻页的过程中没有任何一个地方可以找到页码信息，这种方式费了我很大的力气，后来采用了一个比较狠的办法，用代码模拟手动翻页，这种方式应该可以处理任何形式的翻页数据，原理就是，用代码模拟人工点击翻页链接，用代码一页一页的翻页，然后一页一页的抓取。

   正所谓外行看热闹，内行看门道，很多人可能看到这里就会说用Webbrowser这可控件就可以实现，对，我下面的这种方式就是用WebBrowser的这个控件来实现，其实在.net下这种类似的类应该还有，但我没有去研究过，也希望如果有人有其他的方式，可以回复我，与大家一起分享。

 

  WebBroser控件可是在自己的程序中内嵌一个浏览器，就像IE，火狐之类的一样，你也可以用他开发自己的浏览器，至于用它开发的浏览器的效果怎么样，我觉得肯定是不如IE和火狐了。呵呵

 

  我们还是 闲言少叙，切入主题：

 

    使用WebBroser控件基本上可以实现你在IE中操作网页的任何功能，所以点击翻页按钮当然也是可以的了，那既然可以在WebBroser中可以手动点击翻页按钮，自然我们用程序代码同样可以指使WebBroser自动替我们翻页了。

 

   其实原理很简单，主要分以下几个步骤：

 

   第一步，打开你想抓取的页面  比如：http://www.zxskb.com/zr/list_O.html 

 

   调用webBrowser控件的方法Navigate("http://www.zxskb.com/zr/list_O.html");

 

   此时，你应该在你的WebBrowser控件中看到你的网页信息，和IE中看到的是一样的；

 

   第二步 ，WebBrowser控件的这个事件DocumentCompleted 很重要，当你访问的页面全部加载完之后，会触发这个事件。所以我们分析页面元素的过程也需要在这个事件内完成

 

   string _ResponseStr=this.WebBrowser1.Document.Body.OuterHtml;

 

这句代码可以得到当前打开页面的html元素的内容。

 

    既然已经得到当前打开页面的html元素的内容了，剩下的工作自然就是解析这个大字符串，得到自己关心的内容，解析字符串的过程，大家应该自己都能写了。

 

第三步， 重点在这第三步呢，因为要翻页了，接第二步，解析完字符串之后，还是在DocumentCompleted事件中，调用方法

 

WebBrowser1.Document.GetElementById("页码的id").InvokeMember("click");

 

从代码的方法名种大家应该能明白了，那么调用完这个方法，之后WebBrwoser控件内的网页就实现了翻页，和你用手去点翻页按钮是一样的效果。

 

重点在于，翻页之后，还会触发DocumentCompleted事件，所以进入了第二步，第三步的循环了，所以大家需要注意判断跳出循环的时机。

其实用WebBrowser还能干很多事情，比如自动登录，注销某个论坛，保存session， cockie，所以 这个控件基本上可以实现你想对网页的任何操作，哪怕你是想暴利破解一个网站的登录密码，当然这个是不提倡的了。呵呵