今天无意中看到了传教士写的一篇博文http://www.cnblogs.com/piapia/p/5367556.html(PowerShell中的两只爬虫),很受启发,自己试着抓了一下,成功地抓取了网页的表格。因为我是英文版的系统,中文系统的界面转换成字符串都成了乱码,因此测试都是在英文网页上操作的。
PowerShell 5里面有一个新的函数叫做ConvertFrom-String, 他的作用是把字符串转换成对象。其中一个参数是可以根据指定的模板,把对应的那一部分字符串匹配出来生成对象,我们可以利用这个功能抓取网页中的表格。
详细帮助文档链接
https://technet.microsoft.com/library/dn807178(v=wps.640).aspx
首先看个基本例子
$a= @‘ 1 2 3 4 5 6 7 8 9 2 2 3 ‘@ $t= @‘ {Co1*:1} {Co2:2} {Co3:3} {Co4:4} {Co1*:5} 6 7 8 ‘@ $c=$a | ConvertFrom-String -Delimiter "\r\n" $d=$a | ConvertFrom-string -TemplateContent $t
同样的字符串,第一个我用分隔符回车换行来生成一个对象;第二个我用自定义的模板格式来进行匹配。注意属性定义的格式写法 {}隔开,然后第一个需要{属性名字*:},后面不需要加*,至少需要匹配2行数据才行。
可以看见第一个对象有3个属性,P1是1 2 3 4,P2 是 4 5 6 7 ,P3是9 2 2 3;
第二个对象则是根据每一列来自动匹配的(已经有一个模板匹配了前2行)
接下来我们来看2个实例。
第一个例子是这个网页,里面有一个澳洲代理服务器的列表,如下所示,我想抓出来
http://www.proxylisty.com/country/Australia-ip-list
基本思路:invoke-restmethod直接抓取整个网页,自动转换为string对象。
然后设计对应的模板。因为是html文件,转换为string以后对应的html代码都在里面。因此关键是怎么把这些带有html代码的表格模板弄出来。
很简单,网页都可以查看html的源代码,下面一大段html的代码可以直接从网页上复制粘贴对应的2行表格代码即可,稍加修改添加属性名字就行了。
然后根据模板匹配就会自动生成对应的表格对象了
$web = ‘http://www.proxylisty.com/country/Australia-ip-list‘ $template = @‘ <tr> <td>{IP*:203.56.188.145}</td> <td><a href=‘http://www.proxylisty.com/port/8080-ip-list‘ title=‘Port 8080 Proxy List‘>{Port:8080}</a></td> <td>HTTP</td> <td><a style=‘color:red;‘ href=‘http://www.proxylisty.com/anonymity/High anonymous / Elite proxy-ip-list‘ title=‘High anonymous / Elite proxy Proxy List‘>High anonymous / Elite proxy</a></td> <td>No</td> <td><a href=‘http://www.proxylisty.com/country/Australia-ip-list‘ title=‘Australia IP Proxy List‘><img style=‘margin: 0px 5px 0px 0px; padding: 0px;‘ src=‘http://www.proxylisty.com/assets/flags/AU.png‘ title=‘Australia IP Proxy List‘/>Australia</a></td> <td>13 Months</td> <td>2.699 Sec</td> <td><div id="progress-bar" class="all-rounded"> <div title=‘50%‘ id="progress-bar-percentage" class="all-rounded" style="width: 50%">{Reliability:50%}</div></div></td> </tr> <tr> <td>{IP*:103.25.182.1}</td> <td><a href=‘http://www.proxylisty.com/port/8081-ip-list‘ title=‘Port 8081 Proxy List‘>{Port:8081}</a></td> <td>HTTP</td> <td><a style=‘color:red;‘ href=‘http://www.proxylisty.com/anonymity/Anonymous proxy-ip-list‘ title=‘Anonymous proxy Proxy List‘>Anonymous proxy</a></td> <td>No</td> <td><a href=‘http://www.proxylisty.com/country/Australia-ip-list‘ title=‘Australia IP Proxy List‘><img style=‘margin: 0px 5px 0px 0px; padding: 0px;‘ src=‘http://www.proxylisty.com/assets/flags/AU.png‘ title=‘Australia IP Proxy List‘/>Australia</a></td> <td>15 Months</td> <td>7.242 Sec</td> <td><div id="progress-bar" class="all-rounded"> <div title=‘55%‘ id="progress-bar-percentage" class="all-rounded" style="width: 55%">{Reliability:55%}</div></div></td> </tr> ‘@ $temp=Invoke-RestMethod -uri $web $result = ConvertFrom-String -TemplateContent $template -InputObject $temp $result | sort reliability
成功抓取
类似的,豆子最近比较关注健康食物,我想看看低GI的食物有哪些
http://ultimatepaleoguide.com/glycemic-index-food-list
需要把下面这个表格抓出来
[email protected]‘ <tr> <td valign="top">{Food*:Banana cake, made with sugar}</td> <td valign="top">{GI:47}</td> <td valign="top">{Size:60}</td> </tr> <tr> <td valign="top">{Food*:Banana cake, made without sugar}</td> <td valign="top">{GI:55}</td> <td valign="top">{Size:60}</td> </tr> ‘@ $web2=‘http://ultimatepaleoguide.com/glycemic-index-food-list/‘ $temp=Invoke-RestMethod -uri $web2 $result1 = ConvertFrom-String -TemplateContent $t2 -InputObject $temp $result1 | Out-GridView
成功!
这种方式很有用,尤其是需要获取网页某些列表信息的时候,当然,如果网页本身就提供RESTFUL的接口,可以直接获取JSON格式的内容 那就更省事了。