C#开发爬虫的知识总结,目前还在更新中。这并不是一个完整的爬虫程序,只是一些示例。
为什么要拿C#开发爬虫项目,因为个人还是比较喜欢C#。C#虽然库少一点,但想要的功能基本还是能实现的。
总结的知识点如果什么错误之处,还恳请大家提个issue指正,一起学习进步♂( ̄▽ ̄)/
-
基础知识
-
网页抓取原理
- 使用套接字来获取网页源码
-
爬虫协议
- 爬虫协议介绍,以及它的语法规则;
- C#如何获取网站的爬虫协议;
- C#中如何解析爬虫协议;
-
- 正则表达式的基础知识和基本使用;
- 正则表达式中的分组构造;
- 常用匹配模式;
-
WebAPI调用
-
获取实时天气
- 调用**天气网公开API接口来获取天气
-
获取Bing每日图片
- 调用cn bing API接口来获取Bing每日图片
-
-
抓取网页
- HttpWebRequest类的使用
- HttpClient类的使用
- 获取指定url的IP地址
- 获取指定url的网页头信息
- 如何从网页源码中提取页面的编码
-
抓取动态网页
-
获取网页DOM
- 使用HtmlAgilityPack来获取网页的DOM结构
-
Url抓取(当Url太多时,UI会卡)
- 抓取指定网址的全部链接
- 通过指定深度,抓取子网页的全部链接
- 动态网页链接抓取
- 限定抓取当前页面的子链接
-
图片抓取(更新中)
- 抓取指定url页面中的图片,通过配置url的页码规则,来进行翻页。
- 自动获取下一页
-
文件下载
- 使用WebClient类下载文件
- 多线程下载文件
- 从文件加载批量下载
-
必应图片搜索(仅供学习,请勿用途其它用途)
- 实现必应图片搜索的功能
- 翻页及优化(待更新)
-
爬虫数据存储
-
Berkeley DB
- 介绍BerkeleyDB以及使用方式
-
SQLite
- 介绍SQLite以及使用方式
-
-
小例子-全国家常菜价格统计
- 获取全国城市,以及城市代码
- 抓取家常菜价格
- 生成统计图表
-
模拟登录并获取登录后的内容
- 使用Cookie(实现中)
- 使用Selenium(实现中)
- 说明:示例程序使用的是EdgeDriver,所以需要Windows10系统,如果需要其它浏览器Driver,可自行修改。
- 测试系统:Windows 10 1703 Edge 15.15063.0,如果Edge驱动版本不一致,需要手动更新至对应的版本。
-
抓包工具使用
-
使用CSS选择器和XPath选取元素
- CSS选择器
- XPath
-
小例子-通用抓取
- 电商类网站(更新中)
- 新闻类网站(待更新)
- Url Encode/Decode 原理
- 抓包工具Charles的使用
- 使用抓包工具分析网站接口
- 使用抓包工具分析APP接口
- 将网页保存为图片/PDF
- 验证码识别(字符验证码,滑块验证码)
- BloomFilter算法
- NLP基础
- 中文分词
- Lucene.net使用
- 优先级队列实现
- 基本爬虫架构
- 分布式爬虫架构
- 抓取豆瓣书评
- 当抓取的数据到非常大的的数量级时该怎么处理
- 使用代理
Visual Studio 2013 + .Net 4.5
如果没有安装Blend,GAC中没有System.Windows.Interactivity.dll,需要自己引用bin/x64/Debug目录下的System.Windows.Interactivity.dll
编译时可能会显示各种库找不到,Nuget还原下包就可以正常编译了
Berkeley DB需要引用bin/x64/Debug目录下的libdb_dotnet181.dll,运行时还需要libdb_csharp181.dll和libdb181.dll,已置于bin/x64/Debug目录下