【转载】C#+HtmlAgilityPack+XPath带你采集数据(以采集天气数据为例子)

时间 2019-11-12

标签转载 c#+htmlagilitypack+xpath htmlagilitypack xpath 采集数据天气例子栏目 C&C++ 繁體版

原文原文链接

原文地址：http://www.cnblogs.com/asxinyu/p/CSharp_HtmlAgilityPack_XPath_Weather_Data.htmlhtml

阅读目录

　　第一次接触HtmlAgilityPack是在5年前，一些意外，让我从技术部门临时调到销售部门，负责创建一些流程和寻找潜在客户，最后在阿里巴巴找到了不少客户信息，很是全面，刚开始是手动复制到Excel，是真尼玛的累，虽然那个时候C#还很菜，也想能不能经过程序来批量获取（因此平时想法要多才好）。几经周折，终于发现了HtmlAgilityPack神器，这几年也用HtmlAgilityPack采集了不少类型数据，特别是足球赛事资料库的数据采集以及天气数据采集，都是使用HtmlAgilityPack，因此把本身的使用过程总结下来，分享给你们，让更多人接触和学会使用，给本身的工做带来遍历。node

　　今天的主要内容是HtmlAgilityPack的基本介绍、使用，实际代码。最后咱们以采集天气数据为例子，来介绍实际的采集分析过程和简单的代码。咱们将在下一篇文章中开源该天气数据库和C#操做代码。采集核心就只是在这里介绍，其实核心代码都有了，本身加工下就能够了，同时也免费对有须要的人开放。至于具体详情，请关注下一篇文章。数据库

.NET开源目录：【目录】本博客其余.NET开源项目文章目录 json

本文原文地址：C#+HtmlAgilityPack+XPath带你采集数据(以采集天气数据为例子) 数组

1.HtmlAgilityPack简介

　　HtmlAgilityPack是一个开源的解析HTML元素的类库，最大的特色是能够经过XPath来解析HMTL，若是您之前用C#操做过XML，那么使用起HtmlAgilityPack也会驾轻就熟。目前最新版本为1.4.6,下载地址以下：http://htmlagilitypack.codeplex.com/ 目前稳定的版本是1.4.6，上一次更新仍是2012年，因此很稳定，基本功能全面，也不必更新了。浏览器

　　提到HtmlAgilityPack，就必需要介绍一个辅助工具，不知道其余人在使用的时候，是如何分析页面结构的。反正我是使用官方提供的一个叫作HAPExplorer的工具。很是有用。下面咱们在使用的时候会介绍如何使用。　　网络

2.XPath技术介绍与使用

2.1 XPath介绍

　　XPath即为XML路径语言，它是一种用来肯定XML(标准通用标记语言的子集)文档中某部分位置的语言。XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初 XPath 的提出的初衷是将其做为一个通用的、介于XPointer与XSL间的语法模型。可是 XPath 很快的被开发者采用来看成小型查询语言。数据结构

　　XPath是W3C的一个标准。它最主要的目的是为了在XML1.0或XML1.1文档节点树中定位节点所设计。目前有XPath1.0和XPath2.0两个版本。其中Xpath1.0是1999年成为W3C标准，而XPath2.0标准的确立是在2007年。W3C关于XPath的英文详细文档请见：http://www.w3.org/TR/xpath20/ 。app

2.2 XPath的路径表达

　　XPath是XML的查询语言，和SQL的角色很相似。如下面XML为例，介绍XPath的语法。下面的一些资料是几年前学习这个的时候，从网络以及博客园获取的一些资料，暂时找不到出处，例子和文字基本都是借鉴，再次谢过。若是你们发现相似的一块儿文章，告诉我连接，我加上引用。下面的Xpath的相关表达也很基础，基本足够用了。工具

<?xml version="1.0"encoding="ISO-8859-1"?>
<catalog>
<cd country="USA">
<title>Empire Burlesque</title>
<artist>Bob Dylan</artist>
<price>10.90</price>
</cd>
</catalog>

定位节点:XML是树状结构，相似档案系统内数据夹的结构，XPath也相似档案系统的路径命名方式。不过XPath是一种模式(Pattern)，能够选出XML档案中，路径符合某个模式的全部节点出来。例如要选catalog底下的cd中全部price元素能够用：

/catalog/cd/price

　　若是XPath的开头是一个斜线（/）表明这是绝对路径。若是开头是两个斜线（//）表示文件中全部符合模式的元素都会被选出来，即便是处于树中不一样的层级也会被选出来。如下的语法会选出文件中全部叫作cd的元素（在树中的任何层级都会被选出来）：//cd

选择未知的元素:使用星号（*）能够选择未知的元素。下面这个语法会选出/catalog/cd的全部子元素：　　

/catalog/cd/*

　　如下的语法会选出全部catalog的子元素中，包含有price做为子元素的元素。

/catalog/*/price

　　如下的语法会选出有两层父节点，叫作price的全部元素。

/*/*/price

　　要注意的是，想要存取不分层级的元素，XPath语法必须以两个斜线开头(//)，想要存取未知元素才用星号(*)，星号只能表明未知名称的元素，不能表明未知层级的元素。

选择分支:使用中括号能够选择分支。如下的语法从catalog的子元素中取出第一个叫作cd的元素。XPath的定义中没有第0元素这种东西。

/catalog/cd[1]

如下语法选择catalog中的最后一个cd元素：（XPathj并无定义first()这种函式喔，用上例的[1]就能够取出第一个元素。

/catalog/cd[last()]

如下语法选出price元素的值等于10.90的全部/catalog/cd元素

/catalog/cd[price=10.90]

选择属性:在XPath中，除了选择元素之外，也能够选择属性。属性都是以@开头。例如选择文件中全部叫作country的属性：

//@country

如下语法选择出country属性值为UK的cd元素

//cd[@country='UK']

3.采集天气网站案例

3.1 需求分析

　　咱们要采集的是全国各地城市的天气信息，网站为：http://www.tianqihoubao.com/，该网站数据分为2种类型，1个是历史数据，覆盖范围为2011年至今，1个是天气预报的数据，历史数据是天气后报，也就是实际的天气数据。采集的范围必须覆盖全国主要城市，最好是全部的城市。经过分析该网站的页面，的确是知足要求。天气信息，包括实际的天气情况，风力情况以及气温情况状况，包括最低和最高区间。

　　结合基本要求，咱们进入网站，分析一些大概特色，以及主要页面的结构。

3.2 网站页面结构分析

　　要采集大量的信息，必须对网站页面进行详细的分析和总结。由于机器采集不是人工，须要动态构造URL，请求或者页面html，而后进行解析。因此分析网站页面结构是第一步，也是很关键的一步。咱们首先进入到总的历史页面：http://www.tianqihoubao.com/lishi/，以下图：

　　很明显，这个总的页面按省份进行了分开，能够看到每一个省份、地级市名称的连接中，都是固定格式，只不过拼音缩写不一样而已。并且每一个省份的第一个城市为省会城市。这一点要注意，程序中要区分省会城市和其余地级城市。固然省会城市也能够省略，毕竟只有30多个，手动标记也很快的事情。这个页面咱们将主要采集省份的缩写信息，而后咱们选择一个省份，点击进去，看每一个省份具体的城市信息，如咱们选择辽宁省：http://www.tianqihoubao.com/lishi/ln.htm以下图：

　　一样，每一个省份下面的地区也有单独的连接，格式和上面的相似，按照城市拼音。咱们看到每一个省份下面，有大的地级行政区，每一个地级市区后面细分了小的县市区。咱们随意点击大连市的连接，进去看看具体的天气历史信息：

　　该页面包括了城市2011年1月到2015年至今的历史数据，按月分开。连接的特色也很固定，包括了城市名称的拼音和年份月份信息。因此构造这个连接就很容易了。下面看看每月份的状况：

　　广告我屏蔽了一些，手动给抹掉吧。每一个城市的每月的天气信息比较简单，直接表格填充了数据，日期，天气情况，气温和风力。这几步都是按照页面的连接一步一步引导过来的，因此上述流程清楚了，要采集的信息也清楚了，有了大概的思路：

　　先采集整个省份的拼音代码，而后依次获取每一个省份每一个地级市，以及对应县级市的名称和拼音代码，最后循环每一个县级市，按照月份获取全部历史数据。下面将重点分析几个页面的节点状况，就是如何用HtmlAgilityPack和Xpath来获取你要的数据信息，至于保存到数据库，八仙过海各显神通吧，我用的是XCode组件。

3.3 分析省-县市结构页面

　　仍是以辽宁省为例：http://www.tianqihoubao.com/lishi/ln.htm ,打开页面，右键获取网页源代码后，粘贴到 HAPExplorer 中，也能够直接在HAPExplorer 中打开连接，以下面的动画演示：

　　咱们能够看到，右侧的XPath地址，div结束后，下面都是dl标签，就是咱们要采集的行了。下面咱们用代码来获取上述结构。先看看获取页面源代码的代码：

public static string GetWebClient(string url)
{
    string strHTML = "";
    WebClient myWebClient = new WebClient();            
    Stream myStream = myWebClient.OpenRead(url);
    StreamReader sr = new StreamReader(myStream, Encoding.Default);//注意编码
    strHTML = sr.ReadToEnd();
    myStream.Close();
    return strHTML;
}

　　下面是分析每一个省份下属县市区的程序，限于篇幅咱们省掉了数据库部分，只采集城市和拼音代码，并输出：

/// <summary>添加省级-地区-县市 的城市信息，注意 省会城市 标记5</summary>
/// <param name="cityCode">省份代码</param>
public static void ParsePageByArea(String cityCode)
{
    //更加连接格式和省份代码构造URL
    String url = String.Format("http://www.tianqihoubao.com/lishi/{0}.htm", cityCode);
    //下载网页源代码 
    var docText = HtmlHelper.GetWebClient(url);
    //加载源代码，获取文档对象
    var doc = new HtmlDocument(); doc.LoadHtml(docText);
    //更加xpath获取总的对象，若是不为空，就继续选择dl标签
    var res = doc.DocumentNode.SelectSingleNode(@"/html[1]/body[1]/div[1]/div[6]/div[1]/div[1]/div[3]");
    if (res != null)
    {
        var list = res.SelectNodes(@"dl");//选择标签数组
        if (list.Count < 1) return;
        foreach (var item in list)
        {
            var dd = item.SelectSingleNode(@"dd").SelectNodes("a");
            foreach (var node in dd)
            {
                var text = node.InnerText.Trim();
                //拼音代码要从href属性中进行分割提取
                var herf = node.Attributes["href"].Value.Trim().Split('/', '.');
                Console.WriteLine("{0}:{1}", text, herf[herf.Length - 2]);
            }
        }
    }
}

            //本身项目中用到的
            var res = doc.DocumentNode.SelectSingleNode(@"/html[1]/body[1]//div[@id='trends1_cont_2']");

            if (res != null)
            {
                res.Descendants("a").Each(x =>
                {
                    list.Add(new OptionItem()
                    {
                        Text = x.InnerText,
                        Value = url + x.Attributes["href"].Value.TrimStart('.'),
                    });
                });
               
                res.Descendants("span").Where(c => c.Attributes["class"].Value == "date").Each((i, c) =>
                {
                    list[i].Id = int.Parse(c.InnerText.TrimStart('[').TrimEnd(']').Replace("-", ""));
                    list[i].Tag = c.InnerText;
                });

            }

咱们以辽宁为例，调用代码：ParsePageByArea("ln");结果以下：

3.4 分析城市单月的历史天气页面

　　这也是最重要核心的一个要分析的页面。咱们以大连市2011年8月份为例：http://www.tianqihoubao.com/lishi/dalian/month/201108.html，咱们要找到咱们须要采集的信息节点，以下图所示的动画演示，其实这个过程习惯几回就行了，每一次点击节点后，要观察右边的内容是否是咱们想要的，还能够经过滚动条的长度判断大概的长度。

　　这里不是直接从URL加载，因为编码缘由，URL加载会有乱码，因此我是手动辅助源代码到HAPExplorer中的，效果同样，因此直接在获取页面源代码的时候，要注意编码问题。总的过程比较简单，仍是查找到Table标签的位置，由于那里保存了所须要的数据，每一行每一列都很是标准。过程相似，咱们直接更加XPath找到Table，而后一次获取每行，每列，进行对应便可，看代码，都进行了详细的注释：

/// <summary>采集单个城市单个月的历史天气数据</summary>
/// <param name="cityCode">城市拼音代码</param>
/// <param name="year">年份</param>
/// <param name="month">月份</param>
public static void ParsePageByCityMonth(String cityCode, Int32 year, Int32 month)
{
    //更加拼音代码，月份信息构造URL
    String url = String.Format("http://www.tianqihoubao.com/lishi/{0}/month/{1}{2:D2}.html", cityCode, year, month);
    //获取该连接的源代码
    var docText = HtmlHelper.GetWebClient(url);
    //加载源代码，获取页面结构对象
    var doc = new HtmlDocument(); doc.LoadHtml(docText);
    //更加Xpath获取表格对象
    var res = doc.DocumentNode.SelectSingleNode(@"/html[1]/body[1]/div[2]/div[6]/div[1]/div[1]/table[1]");
    if (res != null)
    {
        //获取全部行
        var list = res.SelectNodes(@"tr");
        list.RemoveAt(0);//移除第一行，是表头
        // 遍历每一行，获取日期，以及天气情况等信息
        foreach (var item in list)
        {
            var dd = item.SelectNodes(@"td");
            //日期 -  - 气温 - 风力风向
            if (dd.Count != 4) continue;
            //获取当前行日期
            var date1 = dd[0].InnerText.Replace("\r\n", "").Replace(" ", "").Trim();  
            //获取当前行天气情况
            var tq = dd[1].InnerText.Replace("\r\n", "").Replace(" ", "").Trim();
            //获取当前行气温
            var qw = dd[2].InnerText.Replace("\r\n", "").Replace(" ", "").Trim();
            //获取当前行风力风向
            var fx = dd[3].InnerText.Replace("\r\n", "").Replace(" ", "").Trim();
            //输出
            Console.WriteLine("{0}:{1},{2},{3}", date1, tq, qw, fx);
        }
    }
}

咱们调用大连市2011年8月的记录：ParsePageByCityMonth("dalian",2011,8); 结果以下：

　　至于其余页面都是这个思路，先分析xpath，再获取对应的信息。熟悉几回后应该会快不少的。HtmlAgilityPack里面的方法用多了，本身用对象浏览器查看一些，会一些基本的就能够解决不少问题。

　　另外，不少网页都是直接输出json数据，对json数据的处理我写过一篇文章，能够参考下，纯手工打造的解析json：用原始方法解析复杂字符串，json必定要用JsonMapper么？