.net 使用HtmlAgilityPack做爬蟲

HtmlAgilityPack官網：https://html-agility-pack.net/?z=codeplex

.net中使用HtmlAgilityPack做爬蟲步驟:

1、在nuget中安裝HtmlAgilityPack

安裝好之後我們就可以開始我們的爬蟲之旅了

2、抓取網頁源代碼

1 var web = new HtmlWeb();
2 var doc = web.Load("要抓取的網頁鏈接");

至此，我們就得到了網頁的源代碼了，然後用HtmlDocument來操作

還有一些特殊性質的需要填裝驗證數據的抓取，我們可以通過HttpWebRequest或者HttpClient來獲取網頁源代碼

1 var htmlTxt =獲取html的string的方法;
2 var doc = new HtmlDocument();
3 doc.LoadHtml(htmlTxt);

3、進行數據篩選清洗

舉個慄子：

我們現在抓取電影天堂的數據：https://www.dytt8.net

我們先抓取他的分類，我們打開https://www.dytt8.net  然後右鍵查看源代碼，發現分類處於div  class 為contain中，這樣我們就好辦了

直接用HtmlDocument獲取 class為contain的所有a標簽

 1 var list =doc.DocumentNode.SelectNodes("//div[@class='contain']/ul/li/a");
 2 
 3 
 4  foreach (var item in list)
 5 {
 6     //獲取a標簽下麵的href
 7      var url = item.Attributes["href"].Value;
 8       // 獲取a標簽的文本
 9      var txt =item.InnerHtml;
10 }

這樣，我們就獲取電影天堂的影片分類啦。