分享一套抓数据小程序,客户资料、实时新闻、股票数据…随心抓
为了拓展公司业务,客服部需要大量相关行业的客户资料。由于公司规模不大,从成本上考虑够买数据不太现实,所以我们就开发了一套方案,从行业相关的商业网站上去抓取客户资料。
鉴于不同的网站在数据排版、字符编码、获取数据方式(get或post)不同。如要抓到自己想要的数据,针对每个网站都需要进行网页的分析,有效数据的提取。在这里主要分享关键代码,顺便把最近写的一个程序源代码贴出来供园友们下载研究,里面有抓取三个网站数据的例子(深市A股、三星手机、当当网微软技术丛书,抓取不同的网站需要修改运行入口)。掌握其中一个的技巧,便可以在所有类似网站上获取你想要的数据,比方你在炒股,你可以抓取股票网站数据到本地,做个报表分析,操作的好,能让你赚的盆满钵满;假若你自己有个淘宝网店,需要商品图片,copy别人店铺的图片多慢啊,抓取便是;如果你有博客或新闻网站,没有更新的数据怎么办,看中哪个网站抓取便是。说了这么多,回正题……
下面我以抓取其中一个网站为例来介绍这个小程序,首先抓取任务如下:
http://detail.zol.com.cn/cell_phone_index/subcate57_98_list_1.html
只要图片,手机名称,价格,网络模式,网络类型,其它信息不要
手机图片要下载下来
1.程序界面设计如下,只为达到抓取数据目的,界面比较鄙陋筒靴们将就看:-)。
![](http://image58.360doc.cn/DownloadImg/2013/01/1008/29504584_1.jpg)
2.用时信息通过Timer控件的tick事件来显示抓取用的时间,代码如下:
1 #region //时间处理 2 int duration = 0; 3 private void timer1_Tick(object sender, EventArgs e) 4 { 5 duration++; 6 lbTime.Text = "用时:" + GetTimeBySecount(int.Parse(duration.ToString().Trim())); 7 } 8 /// <summary> 9 /// 通过秒返回时:分:秒格式的时间10 /// </summary>11 /// <returns></returns>12 private string GetTimeBySecount(int s)13 {14 s = s + 1;15 TimeSpan timeSpan = new TimeSpan(0, 0, s);16 string hour = timeSpan.Hours < 10 ? timeSpan.Hours.ToString().Trim().PadLeft(2, '0') : timeSpan.Hours.ToString().Trim();17 string minute = timeSpan.Minutes < 10 ? timeSpan.Minutes.ToString().Trim().PadLeft(2, '0') : timeSpan.Minutes.ToString().Trim();18 string second = timeSpan.Seconds < 10 ? timeSpan.Seconds.ToString().Trim().PadLeft(2, '0') : timeSpan.Seconds.ToString().Trim();19 return string.Format("{0}:{1}:{2}", hour, minute, second);20 }21 #endregion
3.进度信息用的是委托显示抓取详情,代码如下:
1 #region //委托显示用户提示信息 2 /// <summary> 3 /// 为了进程之间通信,定义一个委托 4 /// </summary> 5 /// <param name="displayString">实时处理的信息</param> 6 /// <param name="lbl">接收实时处理信息的 Label 对象</param> 7 /// <param name="ui">承载 Label 控件的窗体对象</param> 8 delegate void SetText(string displayString, Label lbl, Form ui); 9 /// <summary>10 /// 利用委托操作窗体线程上的 Lable 控件11 /// </summary>12 /// <param name="str">实时处理的信息</param>13 /// <param name="lb">接收实时处理信息的 Label 对象</param>14 /// <param name="fui">承载 Label 控件的窗体对象</param>15 public static void SetLableText(string str, Label lb, Form fui)16 {17 if (lb.InvokeRequired)18 {19 SetText st = new SetText(SetLableText);20 fui.Invoke(st, str, lb, fui);21 }22 else23 {24 lb.Text = str;25 }26 }27 #endregion
4.拖放一个backgroundWorker控件,启动DoWork事件和RunWorkerCompleted事件。
- DoWork代码如下(代码中标红的方法是几个关键的方法
Common.Get_HttpAll:根据网页地址,和字符编码获取网页源代码返回string
Common.ResolverAndOutput:从网页内容中获取关键信息,通常用于获取列表数据,table里面的tr数据。
参数1传入要分析的网页内容;
参数2传入要分析的网页内容的起始点,为空则表示从网页内容起始位置开始;
参数3传入要分析的网页内容的终结点,为空则表示截止到网页内容的最后位置;
参数4传入过滤规则,例如:<tr>(?<content>.+?)</tr>,表示获取参数2和参数3之间的字符串中所有<tr>开始,</tr>结束的所有字符串,这些字符串用$~拼接;
参数5默认传入1;
参数6默认传入false;Common.JieQuString:截取字符串中A和B之间的数据。参数1传入带分析的字符串;参数2传入A(A在字符串中唯一);参数3传入B(B在字符串中唯一)
):1 private void backgroundWorker1_DoWork(object sender, DoWorkEventArgs e) 2 { 3 try 4 { 5 DataSet ds = new DataSet(); 6 DataTable dtContact = new DataTable("tbl"); 7 dtContact.Columns.Add("name"); 8 dtContact.Columns.Add("price"); 9 dtContact.Columns.Add("fileName");10 dtContact.Columns.Add("model");11 dtContact.Columns.Add("type");12 DataRow dr;13 int i = 1;14 bool flag = true;15 do16 {17 string path = "http://detail.zol.com.cn/cell_phone_index/subcate57_98_list_" + i.ToString() + ".html";18 string getHtml = Common.Get_HttpAll(path, "GB2312");19 if (!getHtml.Contains("wrong"))20 {21 string useHtml = Common.ResolverAndOutput(getHtml, "", "", "<div class=\"list-item clearfix\">(?<content>.+?)target=\"_blank\">查询底价</a>", 1, false);22 string[] trItem = useHtml.Replace("~", "").Split('$');23 flag = trItem.Length > 2;24 for (int j = 0; j < trItem.Length - 1; j++)25 {26 SetLableText("进度:当前正在分析第" + i + " 页,第"+(j+1)+"条数据", lbJD, this);27 dr = dtContact.NewRow();28 string imgUrl = Common.JieQuString(trItem[j], "<div class=\"pic-box SP\" data-rel=\"", "\">");29 int splitIndex=imgUrl.LastIndexOf('/');30 if (splitIndex < 0) {31 break;32 }33 string fileName= imgUrl.Substring(splitIndex, imgUrl.Length - splitIndex).Replace("/","");34 //下载当前产品图片35 string filepath = "E:\\抓数据\\中关村三星手机图片\\"+fileName;36 WebClient mywebclient = new WebClient();37 mywebclient.DownloadFile(imgUrl, filepath);38 //填充行值39 dr["name"] = Common.JieQuString(Common.JieQuString(trItem[j], "<h3>", "</h3>"), ">", "</a>");40 dr["price"] = Common.JieQuString(trItem[j],"<span class=\"price\">¥<b class=''>","</b></span>");41 dr["fileName"] = fileName;42 dr["model"] = Common.JieQuString(trItem[j], "<span>网络模式:</span>", "</li>");43 dr["type"] = Common.JieQuString(trItem[j], "<span>网络类型:</span>", "</li>");44 dtContact.Rows.Add(dr);45 }46 ds.Tables.Add(dtContact.Copy());47 string savePath = "E:\\抓数据\\中关村三星手机.xml";48 ds.WriteXml(savePath);49 ds.Tables.Clear();50 }51 else52 {53 continue;54 }55 i++;56 } while (flag);57 }58 catch (Exception ex)59 {60 MessageBox.Show("代码异常:" + ex);61 }62 }
RunWorkerCompleted代码如下:
1 private void backgroundWorker1_RunWorkerCompleted(object sender, RunWorkerCompletedEventArgs e)2 {3 timer1.Stop();4 timer1.Enabled = false;5 MessageBox.Show("ok,见 E:\\抓数据\\中关村三星手机.xml");6 }
5.点击窗体抓取数据启动Click事件,代码如下:
1 private void btnGetData_Click(object sender, EventArgs e)2 {3 timer1.Enabled = true;4 timer1.Start();5 backgroundWorker1.RunWorkerAsync();6 }
6.大功告成。启动程序效果如下:
![](http://pubimage.360doc.com/wz/default.gif)
7.运行完成后查看抓取的数据信息和手机图片如下(把Xml文件拖到Excel中显示):
![](http://pubimage.360doc.com/wz/default.gif)
![](http://pubimage.360doc.com/wz/default.gif)
总结:此例只是针对Get请求数据的情况,而且当前抓取的网站都是不需要登录的。而在实际生产中肯定有Post请求数据的,也有需要登录的,源码里面的Common类提供了各种场景需要的方法,有兴趣的可以深入研究。