利用IronPython做更灵活的网页爬虫

我们经常需要去别的网站采集一些信息，.NET下所有相关的技术都已经非常成熟，用Webrequest抓取页面，虽然支持自定义Reference头，又支持cookie，解析页面一般都是用正则，但是对方网站结构一变，还得重新改代码，重新编译，发布。有了IronPython，可以把抓取和分析的逻辑做成Python脚本，如果对方页面结构变了，只需修改脚本就行了，不需重新编译软件，这样可以用c#做交互和界面部分，用Python封装预期经常变化的部分。

安平网站建设公司成都创新互联公司,安平网站设计制作，有大型网站制作公司丰富经验。已为安平近千家提供企业网站建设服务。企业网站搭建\外贸网站建设要多少钱，请找那个售后服务好的安平做网站的公司定做！

如何利用IronPython把抓取和分析的逻辑做成Python脚本
　　安装好IronPython和vs.net 2010后，还需要下载一个SGMLReader（见参考链接），这个组件可以把格式不是很严格的HTML转换成格式良好的XML文件，甚至还能增加DTD的验证　　
　　我们以抓取百度贴吧页面为例，新建一个Console项目，引用IronPython,Microsoft.Dynamic,Microsoft.Scripting,SgmlReaderDll这些组件，把SGMLReader里的Html.dtd复制到项目目录下，如果没有这个，它会根据doctype去网络上找dtd，然后新建baidu.py的文件，最后在项目属性的生成事件里写上如下代码，把这两个文件拷贝到目标目录里。

 
 
  
  
copy $(ProjectDir)\*.py $(TargetDir)  
  
  
copy $(ProjectDir)\*.dtd $(TargetDir) 
 

　　在baidu.py里首先引用必要的.net程序集。

 
 
  
  
import clr, sys  
  
  
clr.AddReference("SgmlReaderDll")  
  
  
clr.AddReference("System.Xml")  
 

完了导入我们需要的类

 
 
  
  
from Sgml import *  
  
  
from System.Net import *  
  
  
from System.IO import TextReader,StreamReader  
  
  
from System.Xml import *  
  
  
from System.Text.UnicodeEncoding import UTF8  
 

利用SgmlReader写一个把html转换成xml的函数，注意SystemLiteral属性必须设置，否则就会去网上找dtd了，浪费时间

 
 
  
  
def fromHtml(textReader):      
  
  
sgmlReader = SgmlReader()      
  
  
sgmlReader.SystemLiteral = "html.dtd"    sgmlReader.WhitespaceHandling =WhitespaceHandling.All      
  
  
sgmlReader.CaseFolding = CaseFolding.ToLower    sgmlReader.InputStream = textReader          
  
  
 
  
  
 
  
  
doc = XmlDocument()      
  
  
doc.PreserveWhitespace = True      
  
  
doc.XmlResolver = None      
  
  
doc.Load(sgmlReader)      
  
  
eturn doc  
 

利用webrequest写一个支持cookie和网页编码的抓网页方法

 
 
  
  
def getWebData(url, method, data = None, cookie = None, encoding = "UTF-8"):      
  
  
   req = WebRequest.Create(url)      
  
  
   req.Method = method          
  
  
   if cookie != None:          
  
  
      req.CookieContainer = cookie          
  
  
   if data != None:          
  
  
      stream = req.GetRequestStream()          
  
  
      stream.Write(data, 0, data.Length)              
  
  
   rsp = req.GetResponse()      
  
  
   reader = StreamReader(rsp.GetResponseStre(),            
  
  
   UTF8.GetEncoding(encoding))            
  
  
   return reader  
 

写一个类来定义抓取结果，这个类不需要在c#项目里定义，到时候直接用c# 4.0的dynamic关键字就可以使用

 
 
  
  
class Post:  
  
  
    def __init__(self, hit, comments, title, link, author):  
  
  
        self.hit = hit  
  
  
        self.comments = comments   
  
  
        self.title = title  
  
  
        self.link = link  
  
  
        self.author = author  
 

定义主要工作的类，__init__大概相当于构造函数，我们传入编码参数，并初始化cookie容器和解析结果，[]是python里的列表，大约相当于c#的List

 
 
  
  
class BaiDu:  
  
  
    def __init__(self,encoding):  
  
  
        self.cc = self.cc = CookieContainer()  
  
  
             self.encoding = encoding 
  
  
            self.posts = []     
 

接下来定义抓取方法，调用getWebData抓网页，然后用fromHtml转换成xml，剩下的就是xml操作，和.net里一样，一看便知

 
 
  
  
def getPosts(self, url):  
  
  
        reader = getWebData(url, "GET", None, self.cc, self.encoding)  
  
  
        doc = fromHtml(reader)  
  
  
        trs = doc.SelectNodes("html//table[@id='thread_list_table']/tbody/tr")       
  
  
        self.parsePosts(trs)  
  
  
 
  
  
def parsePosts(self, trs):  
  
  
        for tr in trs:  
  
  
            tds = tr.SelectNodes("td")  
  
  
            hit = tds[0].InnerText  
  
  
            comments = tds[1].InnerText  
  
  
            title = tds[2].ChildNodes[1].InnerText  
  
  
            link = tds[2].ChildNodes[1].Attributes["href"]   
  
  
            author = tds[3].InnerText  
  
  
 
  
  
            post = Post(hit, comments, title, link, author)  
  
  
            self.posts.append(post)  
 

c#代码要创建一个脚本运行环境，设置允许调试，然后执行baidu.py，最后创建一个Baidu的类的实例，并用dynamic关键字引用这个实例

 
 
  
  
Dictionary options = new Dictionary();      
  
  
  options["Debug"] = true;            
  
  
  ScriptEngine engine = Python.CreateEngine(options);            
  
  
  ScriptScope scope = engine.ExecuteFile("baidu.py");            
  
  
  dynamic baidu = engine.Operations.Invoke(scope.GetVariable("BaiDu"), "GBK");  
 

接下来调用BaiDu这个python类的方法获取网页抓取结果，然后输出就可以了

 
 
  
  
baidu.getPosts("http://tieba.baidu.com/f?kw=seo");             
  
  
   dynamic posts = baidu.posts;          
  
  
   foreach (dynamic post in posts)            
  
  
  {                   
  
  
     Console.WriteLine("{0} (回复数:{1})(点击数：{2})[作者:{3}]",                      
  
  
     post.title,                  
  
  
  post.comments,                     
  
  
   post.hit,                   
  
  
  post.author);           
  
  
  }