一个简单的爬虫技术实现

下面程序自动的读取网页显示的信息，类似于爬虫程序。比方说我们有一个系统，要提取BaiDu网站上歌曲搜索排名。分析系统在根据得到的数据进行数据分析。为业务提供参考数据。

　　为了完成以上的需求，我们就需要模拟浏览器浏览网页，得到页面的数据在进行分析，最后把分析的结构，即整理好的数据写入数据库。那么我们的思路就是：

　　1、发送HttpRequest请求。

　　2、接收HttpResponse返回的结果。得到特定页面的html源文件。

　　3、取出包含数据的那一部分源码。

　　4、根据html源码生成HtmlDocument，循环取出数据。

　　5、写入数据库。

程序如下：　　

        //根据Url地址得到网页的html源码

        private string GetWebContent(string Url)

        {

            string strResult="";

            try

            {

                HttpWebRequest request = (HttpWebRequest)WebRequest.Create(Url);

　　　　 //声明一个HttpWebRequest请求

                request.Timeout = 30000;

                //设置连接超时时间

                request.Headers.Set("Pragma", "no-cache");

                HttpWebResponse response = (HttpWebResponse)request.GetResponse();

                Stream streamReceive = response.GetResponseStream();

                Encoding encoding = Encoding.GetEncoding("GB2312");

                StreamReader streamReader = new StreamReader(streamReceive, encoding);

                strResult = streamReader.ReadToEnd();

            }

            catch

            {

                MessageBox.Show("出错");

            }

            return strResult;

        }

为了使用HttpWebRequest和HttpWebResponse，需填名字空间引用

　　 using System.Net;

以下是程序具体实现过程：

private void button1_Click(object sender, EventArgs e)

        {

            //要抓取的URL地址

            string Url = "http://list.mp3.baidu.com/topso/mp3topsong.html?id=1#top2";

            //得到指定Url的源码

　　　 string strWebContent = GetWebContent(Url);

            richTextBox1.Text = strWebContent;

　　　 //取出和数据有关的那段源码

            int iBodyStart = strWebContent.IndexOf("<body", 0);

            int iStart = strWebContent.IndexOf("歌曲TOP500", iBodyStart);

            int iTableStart = strWebContent.IndexOf("<table", iStart);

            int iTableEnd = strWebContent.IndexOf("</table>", iTableStart);

            string strWeb = strWebContent.Substring(iTableStart, iTableEnd - iTableStart + 8);

            //生成HtmlDocument

　　　 WebBrowser webb = new WebBrowser();

            webb.Navigate("about:blank");

            HtmlDocument htmldoc = webb.Document.OpenNew(true);

            htmldoc.Write(strWeb);

            HtmlElementCollection htmlTR = htmldoc.GetElementsByTagName("TR");

            foreach (HtmlElement tr in htmlTR)

            {

                string strID = tr.GetElementsByTagName("TD")[0].InnerText;

                string strName = SplitName(tr.GetElementsByTagName("TD")[1].InnerText, "MusicName");

                string strSinger = SplitName(tr.GetElementsByTagName("TD")[1].InnerText, "Singer");

                strID = strID.Replace(".", "");

                //插入DataTable

                AddLine(strID, strName, strSinger,"0");

                string strID1 = tr.GetElementsByTagName("TD")[2].InnerText;

                string strName1 = SplitName(tr.GetElementsByTagName("TD")[3].InnerText, "MusicName");

                string strSinger1 = SplitName(tr.GetElementsByTagName("TD")[3].InnerText, "Singer");

                //插入DataTable

                strID1 = strID1.Replace(".", "");

                AddLine(strID1, strName1, strSinger1,"0");

                string strID2 = tr.GetElementsByTagName("TD")[4].InnerText;

                string strName2 = SplitName(tr.GetElementsByTagName("TD")[5].InnerText, "MusicName");

                string strSinger2 = SplitName(tr.GetElementsByTagName("TD")[5].InnerText, "Singer");

                //插入DataTable

                strID2 = strID2.Replace(".", "");

                AddLine(strID2, strName2, strSinger2,"0");

            }

            //插入数据库

            InsertData(dt);

　　　

            dataGridView1.DataSource = dt.DefaultView;

}

程序运行结果界面图：