C# 都有哪些爬虫框架?

2023-03-09 09:50| 来源: 网络整理| 查看: 265

如果我们需要抓取网络上的数据，这时候我们就要写爬虫，这里面就涉及到网页的抓取、以及网页分析与数据提取、抓取的性能等知识，今天就给大家推荐一个开源项目，它可以很好解决你的问题，让你更专注业务的开发。

更多开源项目请查看：一个专注推荐.Net开源项目的榜单项目简介

这是一个基于.Net Core开发的、Web爬虫开源项目，一个轻量级、高性能、简便的框架；框架集成了爬取、数据分析提取、代理等功能，可以帮助我们快速的完成爬取的功能。

技术架构

1、跨平台：基于.NetCore开发，支持Windows、Mono、Liunx、Windows Azure、Docker。

2、支持 .NetCore 2.2+。

3、数据库：MySql。

4、组件：RabbitMQ。

框架功能

1、基础功能：网页Http数据爬取、解析网页数据（text、json、html）、存储解析的数据至数据库。

2、采集调度：采集的去重，以及采集顺序的控制，支持广度优先与深度优先的模式。

3、分部署部署：可以同时部署多个下载服务器；

4、下载代理器注册服务：负责下载代理器的注册、心跳；单机模式默认启动一个内置的注册服务；

5、统计：统计各个爬虫、服务中心的状态，比如爬虫的请求数量、成功数量、失败数量等；

6、请求配置：比如添加签名配置；

7、数据流：可以支持多个规则解析器，按照顺序解析；

8、并发：支持消息队列，预先缓存请求数据，提高采集性能。

项目结构

使用例子

简单爬虫例子

public class TestSpider : Spider { public static readonly HashSet CompletedUrls = new(); //配置：速度、间隔时间 public static async Task RunAsync() { var builder = Builder.CreateDefaultBuilder(x => { x.Speed = 1; x.EmptySleepTime = 5; }); builder.UseDownloader(); builder.UseQueueDistinctBfsScheduler(); await builder.Build().RunAsync(); } class MyDataParser : DataParser { protected override Task ParseAsync(DataFlowContext context) { var request = context.Request; lock (CompletedUrls) { //过滤 var url = request.RequestUri.ToString(); CompletedUrls.Add(url); if (url == "http://axx.com/") { context.AddFollowRequests(new[] { new Uri("http://bxx.com") }); } } return Task.CompletedTask; } public override Task InitializeAsync() { return Task.CompletedTask; } } public TestSpider(IOptions options, DependenceServices services, ILogger logger) : base( options, services, logger) { } protected override async Task InitializeAsync(CancellationToken stoppingToken = default) { await AddRequestsAsync(new Request("http://axx.com")); AddDataFlow(new MyDataParser()); } }

Html数据解析

public async Task XpathFollow() { var request = new Request("http://xxx.com"); var dataContext = new DataFlowContext(null, new SpiderOptions(), request, new Response {Content = new ByteArrayContent(File.ReadAllBytes("cnblogs.html"))}); var dataParser = new TestDataParser(); dataParser.AddFollowRequestQuerier(Selectors.XPath(".//div[@class='pager']")); await dataParser.HandleAsync(dataContext); var requests = dataContext.FollowRequests; Assert.Equal(12, requests.Count); Assert.Contains(requests, r => r.RequestUri.ToString() == "http://cnblogs.com/sitehome/p/2"); }

配置解析

private class N : EntityBase { [ValueSelector(Expression = "./div[@class='title']")] public string title { get; set; } [ValueSelector(Expression = "./div[@class='dotnetspider']")] public string dotnetspider { get; set; } }项目地址

https://github.com/dotnetcore/DotnetSpider

- End -

推荐阅读

推荐一个前后端分离.NetCore+Angular快速开发框架

阅读开源项目源代码的方法与心得

一个强大、支持100多种格式.Net图片操作库

基于.NetCore+React单点登录系统

一款统计摸鱼时长的开源项目

【本文地址】

公司简介

联系我们