我们经常浏览网页，有时候看到一些精美的图片，想下载下来保存，但是太多，如果一张一张的下载，那太费时了；如果你喜欢看书，看小说，那么浏览小说网站是常有的事，但是有时候我们不能联网，比如农村老家，如果还想看，我们有没有想过一次性保存到手机里。网站上的小说都是一章一个页面，难道要我们一次一个章节复制粘贴保存？这个事我真的干了，为了一本小说，我连续花了三个小时，目不转睛地盯着电脑复制粘贴。还有抓取别人的网站一些有用数据，为我们服务，比如说找工作的事，买彩票的事等等。
现在我要来实现一个下载他趣网站上性感漂亮女性图片，发现这个网站也是通过别人博客得知的。那些图片很不错，养眼，所以对这个网站感兴趣了，也就有动力了。
今天写这个博客就是为了记录一次学习爬虫过程，分享自己遇到一些问题，以及解决问题的方法经验。
常规思路是，首先打开我们要爬取的网站，然后点击审查网页元素，分析HTML结构如下图
然后就开始写代码，初看这肯定要从HTML元素中获取图片链接了。于是我还下载了Jumony 一个提取网页元素的帮助类。
url = "http://www.taqu.cn/community/";
HttpWebRequest request = (HttpWebRequest)HttpWebRequest.Create(url);
using (HttpWebResponse response = (HttpWebResponse)request.GetResponse())
{
// 请求成功的状态码：200
if (response.StatusCode == HttpStatusCode.OK)
{
using (Stream stream = response.GetResponseStream())
{
using (StreamReader reader = new StreamReader(stream))
{
string html = reader.ReadToEnd();
var parser = new JumonyParser();
var doc = parser.Parse(html);
var lists = doc.Find("#subject_list > ul > li");
foreach (var li in lists)
{
var img = li.FindFirst("img");
var src =img.Attribute("src").Value();
DownloadImage(src);
}
//Console.WriteLine(html);
}
}
}
else
{
Console.WriteLine("服务器返回错误：{0}", response.StatusCode);
}
}
没有想到string html = reader.ReadToEnd(); 获取的是一张算作空白页，根本就没有我审查元素看到的内容，没有我想要的元素，那要怎么办？难道错了？不行呀，于是我又通过这个观察如下图，有图片的请求，也有内容。——原来是ajax请求呀！
再仔细看，不是有请求么，而且有返回数据
点击他趣girl
返回数据
在Headers这一栏里我们可以发现请求头部一些信息，可以请求之后响应一些信息。主要看请求的。
分析得知，在代码里我们要发送请求需要填写哪些内容并注意事项了。代码如下，参考别人的，后面会说明。
public static string GetContent(string method, string url, string postData = "", CookieContainer cookie = null)
{
HttpWebResponse response = null;
HttpWebRequest request = null;
if (cookie == null)
cookie = new CookieContainer();
// 准备请求...
try
{
// 设置参数
request = WebRequest.Create(url) as HttpWebRequest;
request.CookieContainer = cookie;
request.AllowAutoRedirect = true;
request.Method = method.ToUpper();
request.ContentType = "application/json, text/javascript, */*; q=0.01";
string userAgent = string.Format("Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36)");//这个根据电脑不同而改变
request.UserAgent = userAgent;
if (method.ToUpper() == "POST")
{
request.ContentLength = postData.Length;
if (!string.IsNullOrEmpty(postData))
{
byte[] data = Encoding.Default.GetBytes(postData);
request.ContentLength = data.Length;
using (Stream outstream = request.GetRequestStream())
{
outstream.Write(data, 0, data.Length);
}
}
}
//发送请求并获取相应回应数据
response = request.GetResponse() as HttpWebResponse;
//直到request.GetResponse()程序才开始向目标网页发送Post请求
using (Stream instream = response.GetResponseStream())
{
using (StreamReader sr = new StreamReader(instream, Encoding.Default))
{
//返回结果网页（html）代码
string content = sr.ReadToEnd();
return UnicodeToGB(content);
}
}
}
catch (Exception ex)
{
string err = ex.Message;
return err;
}
finally
{
if (response != null)
response.Close();
}
}
参考：http://www.cnblogs.com/shoufengwei/p/5654491.html
请求方法是有了，但是返回的数据好像不是汉字哦，是Unicode编码过的数据，于是有了转码这一步
public static string UnicodeToGB(string text)
{
System.Text.RegularExpressions.MatchCollection mc = System.Text.RegularExpressions.Regex.Matches(text, "\\\\u([\\w]{4})");
if (mc != null && mc.Count > 0)
{
foreach (System.Text.RegularExpressions.Match m2 in mc)
{
string v = m2.Value;
string word = v.Substring(2);
byte[] codes = new byte[2];
int code = Convert.ToInt32(word.Substring(0, 2), 16);
int code2 = Convert.ToInt32(word.Substring(2), 16);
codes[0] = (byte)code2;
codes[1] = (byte)code;
text = text.Replace(v, Encoding.Unicode.GetString(codes));
}
}
else
{
}
return text;
}
参考：http://www.cnblogs.com/guardianf/archive/2012/08/21/2649147.html
但是，但是数据是json，我要怎么获取其中的图片请求链接呢？我首先想到的事json转datatable 然后循环依次获得。想法没有错，但是怎么写，我又不会。只有网上找了，一搜真的不少，满怀喜悦之情，复制粘贴，运行，试了不少，不是这里报错，就是转化不成功，一下子失望透顶了。怎么办，怎么办。想到网上一些现成方法，应该只适合作者的项目，没有通用性，一下子就轻松多了。再找找看，说不定有的。
这里举一个报错的转化方法
/// <summary>
/// json转换为DataTable
/// </summary>
/// <param name="json">需要转化的json格式字符串</param>
/// <returns></returns>
public DataTable updateInfo(string json)
{
System.Web.Script.Serialization.JavaScriptSerializer jss =new System.Web.Script.Serialization.JavaScriptSerializer();
object[] obj = (object[])jss.DeserializeObject(json);
Dictionary<string, object> dic;
DataRow dr;
DataTable dt = getDataTable();
foreach (object _obj in obj)
{
dr = dt.NewRow();
dt.Rows.Add(dr);
dic = (Dictionary<string, object>)_obj;
dr["id"] = dic["id"];
dr["img_url"] = dic["img_url"];
dr["title"] = dic["title"];
}
return dt;
}
经历大半天寻找，实践运行总算有一个转化成功的了。
#region 将json转换为DataTable
/// <summary>
/// 将json转换为DataTable 参考 http://www.jb51.net/article/61990.htm
/// </summary>
/// <param name="strJson">得到的json</param>
/// <returns></returns>
private DataTable JsonToDataTable(string strJson)
{
//转换json格式
strJson = strJson.Replace(",\"", "*\"").Replace("\":", "\"#").ToString();
//取出表名
var rg = new Regex(@"(?<={)[^:]+(?=:\[)", RegexOptions.IgnoreCase);
string strName = rg.Match(strJson).Value;
DataTable tb = null;
//去除表名
strJson = strJson.Substring(strJson.IndexOf("[") + 1);
strJson = strJson.Substring(0, strJson.IndexOf("]"));
//获取数据
rg = new Regex(@"(?<={)[^}]+(?=})");
MatchCollection mc = rg.Matches(strJson);
for (int i = 0; i < mc.Count; i++)
{
string strRow = mc[i].Value;
string[] strRows = strRow.Split(‘*‘);
//创建表
if (tb == null)
{
tb = new DataTable();
tb.TableName = strName;
foreach (string str in strRows)
{
var dc = new DataColumn();
string[] strCell = str.Split(‘#‘);
if (strCell[0].Substring(0, 1) == "\"")
{
int a = strCell[0].Length;
dc.ColumnName = strCell[0].Substring(1, a - 2);
}
else
{
dc.ColumnName = strCell[0];
}
tb.Columns.Add(dc);
}
tb.AcceptChanges();
}
//增加内容
DataRow dr = tb.NewRow();
for (int r = 0; r < strRows.Length; r++)
{
dr[r] = strRows[r].Split(‘#‘)[1].Trim().Replace("，", ",").Replace("：", ":").Replace("\"", "");
}
tb.Rows.Add(dr);
tb.AcceptChanges();
}
return tb;
}
#endregion
现在连接也有了，最后一般是下载了，我们来分析单个链接。
没有了cookie，我们只要一个一个链接请求下载就可以了。于是我有了两个方法，肯定不止这两个了。
方法一，模仿上面那个有cookie的
public void GetContent2(string url, string destFileName, string method)
{
HttpWebResponse response = null;
HttpWebRequest request = null;
try
{
// 设置参数
//request.Host = "183.60.137.147:80";
// request.Address[""] = new Uri("");
request = WebRequest.Create(url) as HttpWebRequest;
request.AllowAutoRedirect = true;
request.Host = "forumimg01.touchcdn.com";
request.Method = method.ToUpper();
request.Headers["Accept-Encoding"] = "gzip, deflate, sdch";
request.ContentType = "image/webp,image/*,*/*;q=0.8";
string userAgent = string.Format("Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36)");//这个根据电脑不同而改变
request.UserAgent = userAgent;
//发送请求并获取相应回应数据
response = request.GetResponse() as HttpWebResponse;
//直到request.GetResponse()程序才开始向目标网页发送Post请求
using (Stream instream = response.GetResponseStream())
{
//返回结果网页（html）代码
using (FileStream fileStream = new FileStream(destFileName, FileMode.Create))
{
instream.CopyTo(fileStream);//stream 写入到fileStream中
}
}
}
catch (Exception ex)
{
string err = ex.Message;
}
finally
{
if (response != null)
response.Close();
}
}
方法二，请求整个网页的
private void DownloadImage2(string objUrl, string destFileName)
{
// string destFileName = Path.Combine(destDir, Path.GetFileName(objUrl));
HttpWebRequest request =
(HttpWebRequest)HttpWebRequest.Create(objUrl);
// 欺骗服务器判断URLReferer
// request.Referer = "http://image.baidu.com";
using (HttpWebResponse response = (HttpWebResponse)request.GetResponse())
{
if (response.StatusCode == HttpStatusCode.OK)
{
using (Stream stream = response.GetResponseStream())
{
using (FileStream fileStream = new FileStream(destFileName, FileMode.Create))
{
stream.CopyTo(fileStream);//stream 写入到fileStream中
}
}
}
else
{
throw new Exception("下载" + objUrl + "失败，错误码：" + response.StatusCode);
}
}
}
下载保存路径方法
private void DownloadImage(string id, string objUrl)
{
destDir = txtSavePath.Text.Trim();
if (string.IsNullOrEmpty(destDir))
{
MessageBox.Show("请选择要保存的文件夹！");
return;
}
if (!destDir.EndsWith("\\"))
{
destDir += "\\";
}
string destFileName = Path.Combine(destDir, Path.GetFileName(objUrl));
// string urlimg = objUrl + "?imageView/2/w/380/interface/1";这个下载下来是小图，所以不用它才是大图
DownloadImage2(objUrl, destFileName);
// GetContent2(objUrl, destFileName, "GET");
}
点击开始执行
private void btnStart_Click(object sender, EventArgs e)
{
//1到20页
btnStart.Enabled = false;
for(int i=0 ;i<20;i++){
getbasedata(i + 1);
}
}
调用请求方法
public void getbasedata(int num)//num是页码
{
string url = string.Format("http://www.taqu.cn/ajax/Forum/getFindListByTab?tab_id=119&limit=10&score=1468547984&page={0}", num);
string method = "GET";
DataTable dt = JsonToDataTable(GetContent(method, url));
if (dt.Rows.Count > 0)
{
foreach (DataRow dr in dt.Rows)
{
//string urlimg = dr["img_url"].ToString()+ "?imageView/2/w/380/interface/1";
DownloadImage(dr["id"].ToString(), dr["img_url"].ToString().Replace(@"\", ""));//这里@符号阻止转义
//因为json转化为datatable连接变成这样的了——http:\/\/forumimg01.touchcdn.com\/index\/3e637fe0142008158574c24a278d7804.jpg
//正确的是——http://forumimg01.touchcdn.com/index/3e637fe0142008158574c24a278d7804.jpg 所以需要替换
}
}
}
忘了 这个全局的变量 private string destDir; // 目标文件夹
运行的效果
主要和关键代码都放上来了。
窗体代码去这里下载 博客最底端 http://www.cnblogs.com/edisonchou/p/4175190.html
能想到的，都写上了，其实还可以更完善，比如加上IP代理，，一些数据保存到数据库，不过这个工程太大了。这也不是我要写这篇文章的目的，我只要这些图片，这些乐趣。
原来认真做一件事，真的可以获得意想不到的的乐趣，也打开了自己兴趣之门。
原来我也可以做到，不要临渊羡鱼，自己动手一干！
参考：
http://www.cnblogs.com/edisonchou/p/4175190.html
http://www.cnblogs.com/haigege/p/5492177.html
时间： 2024-10-21 12:21:27