.net core之ACG小站爬虫（一）

来源：互联网发布：天通金行情分析软件编辑：程序博客网时间：2024/05/08 07:38

想到好久没写过.net的代码了，因此就尝试来写一写.net的代码。此外，也想要熟悉一下Phantomjs。

环境配置

.net core下载。可选的可以下载宇宙大IDEVisual Studio，当然更加推荐使用Visual Studio Code进行代码的书写。
Phantomjs。这个不用说了，今天的主角。采用无头浏览器爬取ACG小站的很大原因是它的页面很难分析，此外也有熟悉一下Phantomjs的意思。
HttpCode.Core，是一个.net core的HTTP请求库，可以使用Nuget安装。库本质上是基于HttpWebRequest实现的，但是为了舍去我们自己封装的麻烦，就采用此库来减少代码量。
AngleSharp，一个帮助解析HTML的.net库，可以直接使用LINQ来查询，很方便。

页面分析

详情页

就以其中随便的一个动漫链接下载为例子，发现了坑爹的玩意，下载链接的href属性是javascript:;。介于浅薄的javascript知识，百度了才知道这个是伪协议，实际运行了一段js代码回调，从而打开了新的页面。但是这个网站是用React写的，更可怕的在下面。

JavaScript

原本采用直接分析，并借助Debug调试来分析它点击后的回调函数，但是这个JavaScript文件竟然有2万行代码，Chrome打开调试定点，根本就没法format，不然直接卡死，于是放弃了这个念头，转而采用无头浏览器进行爬取。

实现

一般采用Phantomjs的手段都为Selenium+Phantomjs，但是性能不是很好，而且暂时也没怎么找.net的Selenium接口，所以就选用了最近看到的直接让Phantomjs作为服务端，然后去请求它，让它把要爬取的结果反馈给.net。注意，这里的结果可以是网页页面，也可以是Phantomjs进行HTML解析完的真实数据。

.Net Core代码

        public async Task<string> GetDownloadPageAsync(string url)        {            string result = string.Empty;            //请求phantomjs 获取下载页面            string dom = "Tappable-inactive animated fadeIn";            KeyValuePair<string, string> url2dom = new KeyValuePair<string, string>(url, dom);            var postData = JsonConvert.SerializeObject(url2dom);            CookieContainer cc = new CookieContainer();              HttpHelpers helper = new HttpHelpers();              HttpItems items = new HttpItems();            HttpResults hr = new HttpResults();            items.Url = "http://localhost:8088/";            items.Method = "POST";            items.Container = cc;            items.Postdata = postData;            items.Timeout = 100000;            hr = await helper.GetHtmlAsync(items);            var downloadPageUrl = hr.Html;            Console.WriteLine($"first => { downloadPageUrl }");            if(downloadPageUrl.Contains("http"))            {                # TODO            }            else            {                result = downloadPageUrl; //输出错误信息            }            return result;        }

这里展示的是第一部分的代码，即请求详情页的代码，还未涉及到点了下载按钮之后页面的分析，实际上差不多。

JavaScript代码

"use strict";var port = 8088;var server = require('webserver').create();//服务端监听server.listen(8088, function (request, response) {    //传入的参数有待更改，目前为    //{"Key":"https://acg12.com/200340/", "Value":"Tappable-inactive animated fadeIn"}的json字符窜    //第一个参数为详情页，第二个为下载按钮的Dom    var data = JSON.parse(request.postRaw);    var url = data.Key.toString();    var dom = data.Value.toString();    var code = 0;    var page = require('webpage').create();    //初始化headers    page.onInitialized = function() {      page.customHeaders = {};    };    page.settings.loadImages = false;    page.customHeaders = {        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2062.120 Safari/537.36",        "Referer": url    };    response.headers = {        'Cache': 'no-cache',        'Content-Type': 'text/plain',        'Connection': 'Keep-Alive',        'Keep-Alive': 'timeout=20, max=100'    };    //根据Phantomjs的官网，这个回调在打开新标签页会触发    page.onPageCreated = function(newPage) {        //console.log('A new child page was created! Its requested URL is not yet available, though.');        newPage.onLoadFinished = function(status) {            console.log('A child page is Loaded: ' + newPage.url);            //newPage.render('newPage.png');            response.write(newPage.url);            response.statusCode = code;            response.close(); //写入返回给.net端的响应内容。        };    };    //让Phantomjs帮助我们去请求页面    page.open(url, function (status) {        console.log("----" + status);        if (status !== 'success') {            code = 400;            response.write('4XX');            response.statusCode = code;            response.close();        } else {            code = 200;            window.setTimeout(function (){                //执行JavaScript代码，类似于在浏览器Console中执行JavaScript                page.evaluate(function(dom) {                    console.log(dom);                    var btnList = document.getElementsByClassName(dom);                    if(btnList.length > 0){                        var btn = document.getElementsByClassName(dom)[1]; // 获取下载按钮                        btn.click(); //点击下载按钮，打开新标签页，触发page.onPageCreated回调函数。                    }                }, dom);                    }, 7000);        }    });    //根据Phantomjs的官网，这个回调主要应对执行evaluate函数内部的console.log输出，因为两个环境是隔离的。    page.onConsoleMessage = function(msg, lineNum, sourceId) {      console.log("$$$$$" + msg);    };    page.onError = function(msg, trace) {       var msgStack = ['PHANTOM ERROR: ' + msg];       if (trace && trace.length) {         msgStack.push('TRACE:');         trace.forEach(function(t) {           msgStack.push(' -> ' + (t.file || t.sourceURL) + ': ' + t.line + (t.function ? ' (in function ' + t.function +')' : ''));         });       }       console.log(msgStack.join('\n'));       phantom.exit(1);     };});phantom.onError = function(msg, trace) {   var msgStack = ['PHANTOM ERROR: ' + msg];   if (trace && trace.length) {     msgStack.push('TRACE:');     trace.forEach(function(t) {       msgStack.push(' -> ' + (t.file || t.sourceURL) + ': ' + t.line + (t.function ? ' (in function ' + t.function +')' : ''));     });   }   console.log(msgStack.join('\n'));   phantom.exit(1); };

这里的注释比较详细，就不细说了。

启动上述Phantomjs服务端的脚本

phantomjs  --ssl-protocol=any --debug=true .\server_get_detail_page.js

第一个参数是为了保持ssl的链接，第二个参数开启debug，第三个参数为上面的JavaScript代码。

还有之后的页面类似于以上的代码，但是有一些细节需要注意，为了防止文章过长（明明是再水一篇(๑￣ _ ￣๑)）大家下期再见。等等，完整的源代码就先全放在Github上了

原文地址：http://www.jianshu.com/p/9b738a25b585

.NET社区新闻，深度好文，微信中搜索dotNET跨平台或扫描二维码关注

阅读全文

0 0