c#爬虫爬取京东的商品信息

前言

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。

下面话不多说了，来一起看看详细的介绍吧

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;

来源：http://www.cnblogs.com/xxue/p/9977801.html