抓取网站数据不再是难事了，Fizzler（So Easy）全能搞定
首先从标题说起，为啥说抓取网站数据不再难（其实抓取网站数据有一定难度），SO EASY！！！使用Fizzler全搞定，我相信大多数人或公司应该都有抓取别人网站数据的经历，比如说我们博客园每次发表完文章都会被其他网站给抓取去了，不信你们看看就知道了。还有人抓取别人网站上的邮箱、电话号码、QQ等等有用信息，这些信息抓取下来肯定可以卖钱或者干其他事情，我们每天都会时不时接到垃圾短信或邮件，可能就这么回事了，有同感吧，O(∩_∩)O哈哈~。
本人前段时间了写了两个程序，一个程序是抓取某彩票网站的数据（双色球），一个是抓取求职网站（猎聘、前程无忧、智联招聘等等）的数据，当时在写这两个程序的时候显示尤为棘手，看到一堆的HTML标签真的是想死。首先来回顾一下之前我是如何解析HTML的，非常常规的做法，通过WebRequest拿到HTML内容，再通过HTML标签一步一步截取你想要的内容，以下代码就是截取双色球的红球和篮球的代码。一旦网站的标签发生一点变化可能面临的就是要重新改程序了，使用起来非常不方便。
下面是我在解析双色球的红球和篮球的代码，做得最多的是截取（正则表达式）标签相应的内容，也许这段代码显得还不是很复杂，因为这个截取的数据有限，而且非常有规律所以显得比较简单。
1 #region * 在一个TR中，解析TD，获取一期的号码
2 /// <summary>
3 /// 在一个TR中，解析TD，获取一期的号码
4 /// </summary>
5 /// <param name="wn"></param>
6 /// <param name="trContent"></param>
7 private void ResolveTd(ref WinNo wn, string trContent)
8 {
9 List<int> redBoxList = null;
10 //匹配期号的表达式
11 string patternQiHao = "<td align=\"center\" title=\"开奖日期";
12 Regex regex = new Regex(patternQiHao);
13 Match qhMatch = regex.Match(trContent);
14 wn.QiHao = trContent.Substring(qhMatch.Index + 17 + patternQiHao.Length, 7);
15 //匹配蓝球的表达式
16 string patternChartBall02 = "<td class=\"chartBall02\">";
17 regex = new Regex(patternChartBall02);
18 Match bMatch = regex.Match(trContent);
19 wn.B = Convert.ToInt32(trContent.Substring(bMatch.Index + patternChartBall02.Length, 2));
20 //存放匹配出来的红球号码
21 redBoxList = new List<int>();
22 //匹配红球的表达式
23 string patternChartBall01 = "<td class=\"chartBall01\">";
24 regex = new Regex(patternChartBall01);
25 MatchCollection rMatches = regex.Matches(trContent);
26 foreach (Match r in rMatches)
27 {
28 redBoxList.Add(Convert.ToInt32(trContent.Substring(r.Index + patternChartBall01.Length, 2)));
29 }
30 //匹配红球的表达式
31 string patternChartBall07 = "<td class=\"chartBall07\">";
32 regex = new Regex(patternChartBall07);
33 rMatches = regex.Matches(trContent);
34 foreach (Match r in rMatches)
35 {
36 redBoxList.Add(Convert.ToInt32(trContent.Substring(r.Index + patternChartBall07.Length, 2)));
37 }
38 //排序红球号码
39 redBoxList.Sort();
40 //第一个红球号码
41 wn.R1 = redBoxList[0];
42 //第二个红球号码
43 wn.R2 = redBoxList[1];
44 wn.R3 = redBoxList[2];
45 wn.R4 = redBoxList[3];
46 wn.R5 = redBoxList[4];
47 wn.R6 = redBoxList[5];
48 }
下面这块的代码是某招聘网站的截取数据，就是一串的截取HTML标签的内容，哈哈，当时在写这个时候相当的头痛，不知有做个这方法工作的人是不是有同感，当你解析比较多网站的数据就更加了（我写了抓取前程无忧、猎聘网、前程无忧和拉勾网的数据），O(∩_∩)O哈哈~想死呀，使用正则表达是去截取数据，再去提取相应信息的工作。
// 正则表达式过滤：正则表达式，要替换成的文本
private static readonly string[][] Filters =
{
new[] { @"(?is)<script.*?>.*?</script>", "" },
new[] { @"(?is)<style.*?>.*?</style>", "" },
new[] { @"(?is)<!--.*?-->", "" }, // 过滤Html代码中的注释
new[] { @"(?is)<footer.*?>.*?</footer>",""},
//new[] { "(?is)<div class=\"job-require bottom-job-require\">.*?</div></div>",""}
new[] { @"(?is)<h3>常用链接：.*?</ul>",""}
}; private void GetJobInfoFromUrl(string url)
{
try
{
JobInfo info = new JobInfo();
//--
string pageStr = GetHtmlCode.GetByget(url, "utf-8");
if (string.IsNullOrEmpty(pageStr))
{
return;
}
//--
pageStr = pageStr.Replace("\r\n", "");//替换换行符
// 获取html，body标签内容
string body = string.Empty;
string bodyFilter = @"(?is)<body.*?</body>";
Match m = Regex.Match(pageStr, bodyFilter);
if (m.Success)
{
body = m.ToString().Replace("<tr >", "<tr>").Replace("\r\n", "");
}
// 过滤样式，脚本等不相干标签
foreach (var filter in Filters)
{
body = Regex.Replace(body, filter[0], filter[1]);
}
//--
if (!string.IsNullOrEmpty(mustKey) && !body.Contains(mustKey))
{
return;
}
body = Regex.Replace(body, "\\s", ""); info.Url = url; string basicInfoRegexStr0 = "<h1title=([\\s\\S]+?)>(.*?)</h1>"; //职位名称
string position = Regex.Match(body, basicInfoRegexStr0).Value;
info.Position = string.IsNullOrEmpty(position) ? "" : position.Substring(position.IndexOf(">") + 1, position.IndexOf("</") - position.IndexOf(">") - 1);//职位名称 string basicInfoRegexStr1 = "</h1><h3>(.*?)</h3>";//公司名称
string company = Regex.Match(body, basicInfoRegexStr1).Value;
info.Company = string.IsNullOrEmpty(company) ? "" : company.Substring(company.IndexOf("<h3>") + 4, company.IndexOf("</h3>") - company.IndexOf("<h3>") - 4);//公司名称 string basicInfoRegexStr2 = "<divclass=\"resumeclearfix\"><span>(.*?)</span>";//工作地点
string address = Regex.Match(body, basicInfoRegexStr2).Value;
info.Address = string.IsNullOrEmpty(address) ? "" : address.Substring(address.IndexOf("<span>") + 6, address.IndexOf("</") - address.IndexOf("<span>") - 6);//工作地点 string basicInfoRegexStr3 = "<li><span>企业性质：</span>(.*?)</li>";//公司性质
string nature = Regex.Match(body, basicInfoRegexStr3).Value;
info.Nature = string.IsNullOrEmpty(nature) ? "" : nature.Substring(nature.IndexOf("</span>") + 7, nature.IndexOf("</li>") - nature.IndexOf("</span>") - 7);//公司性质 if (string.IsNullOrEmpty(info.Nature))
{
string basicInfoRegexStr3_1 = "<br><span>性质：</span>(.*?)<br>";
string nature_1 = Regex.Match(body, basicInfoRegexStr3_1).Value;
info.Nature = string.IsNullOrEmpty(nature_1) ? "" : nature_1.Substring(nature_1.IndexOf("</span>") + 7, nature_1.LastIndexOf("<br>") - nature_1.IndexOf("</span>") - 7);//公司性质
} string basicInfoRegexStr4 = "<li><span>企业规模：</span>(.*?)</li>";//公司规模
string scale = Regex.Match(body, basicInfoRegexStr4).Value;
info.Scale = string.IsNullOrEmpty(scale) ? "" : scale.Substring(scale.IndexOf("</span>") + 7, scale.IndexOf("</li>") - scale.IndexOf("</span>") - 7);//公司规模 if (string.IsNullOrEmpty(info.Scale))
{
string basicInfoRegexStr4_1 = "<br><span>规模：</span>(.*?)<br>";
string scale_1 = Regex.Match(body, basicInfoRegexStr4_1).Value;
info.Scale = info.Nature = string.IsNullOrEmpty(scale_1) ? "" : scale_1.Substring(scale_1.IndexOf("</span>") + 7, scale_1.LastIndexOf("<br>") - scale_1.IndexOf("</span>") - 7);//公司规模
} string basicInfoRegexStr5 = "<spanclass=\"noborder\">(.*?)</span>";//工作经验
string experience = Regex.Match(body, basicInfoRegexStr5).Value;
info.Experience = string.IsNullOrEmpty(experience) ? "" : experience.Substring(experience.IndexOf(">") + 1, experience.IndexOf("</") - experience.IndexOf(">") - 1);//工作经验 string basicInfoRegexStr6 = "</span><span>(.*?)</span><spanclass=\"noborder\">";//最低学历
string education = Regex.Match(body, basicInfoRegexStr6).Value;
info.Education = string.IsNullOrEmpty(education) ? "" : education.Substring(education.IndexOf("<span>") + 6, education.IndexOf("</span><spanclass=") - education.IndexOf("<span>") - 6);//最低学历 string basicInfoRegexStr7 = "<pclass=\"job-main-title\">(.*?)<";//月薪
string salary = Regex.Match(body, basicInfoRegexStr7).Value;
info.Salary = string.IsNullOrEmpty(salary) ? "" : salary.Substring(salary.IndexOf(">") + 1, salary.LastIndexOf("<") - salary.IndexOf(">") - 1);//月薪 string timeInfoRegexStr = "<pclass=\"release-time\">发布时间：<em>(.*?)</em></p>";//发布时间
string time = Regex.Match(body, timeInfoRegexStr).Value;
info.Time = string.IsNullOrEmpty(time) ? "" : time.Substring(time.IndexOf("<em>") + 4, time.IndexOf("</em>") - time.IndexOf("<em>") - 4);//发布时间 if (GetJobEnd != null)
{
GetJobEnd(pageStr, info);
}
}
catch (Exception exMsg)
{
throw new Exception(exMsg.Message);
}
}
}
从以上代码可以看出都是在截取（正则表达式）相应内容，非常复杂，稍微一不注意就截取不到网站数据，写起来相当的费劲，最后通过QQ群（186841119）里的朋友的介绍采用了Fizzler来提取网站数据，一下子感觉就容易多了，下面着中来介绍一下Fizzler这个工具（好像这个是开源的），相关介绍可以去网站查询到。
首先提供这个工具的下载地址：Fizzler
这个里面包括三个文件：Fizzler.dll、Fizzler.Systems.HtmlAgilityPack.dll、HtmlAgilityPack.dll三个文件，在VS2010里引用里直接进行引用就可以了。
完成以上即完成了对Fizzler的引用。
using HtmlAgilityPack;
using Fizzler;
using Fizzler.Systems.HtmlAgilityPack;
以上就可以在CS里进行了引用，
下面来进行代码的实现，
private static WebDownloader m_wd = new WebDownloader();
/// <summary>
/// 获取HTML内容
/// </summary>
/// <param name="Url">链接</param>
/// <param name="Code">字符集</param>
/// <returns></returns>
public static string GetHtml(string Url, Encoding Code)
{
return m_wd.GetPageByHttpWebRequest(Url, Code);
} public string GetPageByHttpWebRequest(string url, Encoding encoding)
{
Stream sr = null;
StreamReader sReader = null;
try
{
HttpWebRequest request = (HttpWebRequest)WebRequest.Create(url);
request.Method = "Get";
request.Timeout = 30000; HttpWebResponse response = request.GetResponse() as HttpWebResponse;
if (response.ContentEncoding.ToLower() == "gzip")//如果使用了GZip则先解压
{
sr = new GZipStream(response.GetResponseStream(), CompressionMode.Decompress);
}
else
{
sr = response.GetResponseStream();
}
sReader = new StreamReader(sr, encoding);
return sReader.ReadToEnd();
}
catch
{
return null;
}
finally
{
if (sReader != null)
sReader.Close();
if (sr != null)
sr.Close();
}
}
以上即实现抓取HTML数据代码,，以上代码基本上也没啥区别，就是普通抓取数据的方法。
/// <summary>
/// 获取相应的标签内容
/// </summary>
/// <param name="Url">链接</param>
/// <param name="CSSLoad">CSS路径</param>
/// <param name="Code">字符集</param>
/// <returns></returns>
public static IEnumerable<HtmlNode> GetUrlInfo(string Url, string CSSLoad, Encoding Code)
{
HtmlAgilityPack.HtmlDocument htmlDoc = new HtmlAgilityPack.HtmlDocument
{
OptionAddDebuggingAttributes = false,
OptionAutoCloseOnEnd = true,
OptionFixNestedTags = true,
OptionReadEncoding = true
}; htmlDoc.LoadHtml(GetHtml(Url, Code));
IEnumerable<HtmlNode> NodesMainContent = htmlDoc.DocumentNode.QuerySelectorAll(CSSLoad);//查询的路径
return NodesMainContent;
} /// <summary>
/// 获取相应的标签内容
/// </summary>
/// <param name="html">html内容</param>
/// <param name="CSSLoad">CSS路径</param>
/// <returns></returns>
public static IEnumerable<HtmlNode> GetHtmlInfo(string html, string CSSLoad)
{
HtmlAgilityPack.HtmlDocument htmlDoc = new HtmlAgilityPack.HtmlDocument
{
OptionAddDebuggingAttributes = false,
OptionAutoCloseOnEnd = true,
OptionFixNestedTags = true,
OptionReadEncoding = true
}; htmlDoc.LoadHtml(html);
IEnumerable<HtmlNode> NodesMainContent = htmlDoc.DocumentNode.QuerySelectorAll(CSSLoad);//查询的路径
return NodesMainContent;
}
以上两个方法即实现对相应路径标签数据的抓取，一个方法是根据URL进行抓取，一个是根据HTML内容去抓取相应的数据，下面着重介绍CSSLoad的获取方法，这个需要安装火狐浏览器即可，火狐浏览器需要安装FireBug插件进行查询，如下图（网站工具栏）：
再点击像蜘蛛一样的图标，这样可以看到如下：
这样可以看到所有的HTML标签，那么紧接着如何去获取CSS路径呢，那相对来说就非常简单了。
点击蓝色的箭头选取网站相关的内容，
这样相应的HTML同样选中了，这样离我们拿到CCS路径更近一步了，紧接着点击右键即可复制CCS路径即可。如下：
点击复制CSS路径就可以了，复制出CSS路径如下：
html body#Posts form#frmMain table#BodyTable tbody tr td#Body div#Main div#Editor_Edit div#Editor_Edit_Contents div#edit_container div#Editor_Edit_APOptions div#Editor_Edit_APOptions_Contents.Edit div.edit_option div#Editor_Edit_APOptions_Advancedpanel1 div#Editor_Edit_APOptions_Advancedpanel1_Header.subCollapsibleTitle
看到这一串路径别急，我们也不需要把这串路径全部复制到我们程序里，否则这样显得太负责了，我们只需要将最后的部分节点放到上面的方法里面，我们就能读取到HTML标签相应的内容，下面举一个简单例子就进行说明。
1 /// <summary>
2 /// 解析每一条招聘信息
3 /// </summary>
4 /// <param name="Url"></param>
5 private void GetJobInfoFromUrl(object Url)
6 {
7 try
8 {
9 JobInfo info = new JobInfo();
10 info.Url = Url.ToString();
11 //--获取HTML内容
12 string html =AnalyzeHTML.GetHtml(Url.ToString(), Encoding.UTF8);
13 if (string.IsNullOrEmpty(html)) { return; }
14 //--职位名称
15 IEnumerable<HtmlNode> NodesMainContent1 = AnalyzeHTML.GetHtmlInfo(html, "div.title-info h1");
16 if(NodesMainContent1.Count()>0)
17 {
18 info.Position = NodesMainContent1.ToArray()[0].InnerText;
19 }
20 //--公司名称
21 IEnumerable<HtmlNode> NodesMainContent2 = AnalyzeHTML.GetHtmlInfo(html, "div.title-info h3");
22 if (NodesMainContent2.Count() > 0)
23 {
24 info.Company = NodesMainContent2.ToArray()[0].InnerText;
25 }
26 //--公司性质/公司规模
27 IEnumerable<HtmlNode> NodesMainContent4 = AnalyzeHTML.GetHtmlInfo(html, "div.content.content-word ul li");
28 if (NodesMainContent4.Count() > 0)
29 {
30 foreach (var item in NodesMainContent4)
31 {
32 if (item.InnerHtml.Contains("企业性质"))
33 {
34 string nature = item.InnerText;
35 nature = nature.Replace("企业性质：", "");
36 info.Nature = nature;
37 }
38 if (item.InnerHtml.Contains("企业规模"))
39 {
40 string scale = item.InnerText;
41 scale = scale.Replace("企业规模：", "");
42 info.Scale = scale;
43 }
44 }
45 }
46 else//第二次解析企业性质和企业规模
47 {
48 IEnumerable<HtmlNode> NodesMainContent4_1 = AnalyzeHTML.GetHtmlInfo(html, "div.right-post-top div.content.content-word");
49 if (NodesMainContent4_1.Count() > 0)
50 {
51 foreach (var item_1 in NodesMainContent4_1)
52 {
53 string[] arr = item_1.InnerText.Split("\r\n".ToCharArray(), StringSplitOptions.RemoveEmptyEntries);
54 if (arr != null && arr.Length > 0)
55 {
56 foreach (string str in arr)
57 {
58 if (str.Trim().Contains("性质"))
59 {
60 info.Nature = str.Replace("性质：", "").Trim();
61 }
62 if (str.Trim().Contains("规模"))
63 {
64 info.Scale = str.Replace("规模：", "").Trim();
65 }
66 }
67 }
68 }
69 }
70 }
71 //--工作经验
72 IEnumerable<HtmlNode> NodesMainContent5 = AnalyzeHTML.GetHtmlInfo(html, "div.resume.clearfix span.noborder");
73 if (NodesMainContent5.Count() > 0)
74 {
75 info.Experience = NodesMainContent5.ToArray()[0].InnerText;
76 }
77 //--公司地址/最低学历
78 IEnumerable<HtmlNode> NodesMainContent6 = AnalyzeHTML.GetHtmlInfo(html, "div.resume.clearfix");
79 if (NodesMainContent6.Count() > 0)
80 {
81 foreach (var item in NodesMainContent6)
82 {
83 string lable = Regex.Replace(item.InnerHtml, "\\s", "");
84 lable = lable.Replace("<span>", "");
85 string[] arr = lable.Split("</span>".ToCharArray(), StringSplitOptions.RemoveEmptyEntries);
86 if (arr != null && arr.Length > 2)
87 {
88 info.Address = arr[0];//公司地址
89 info.Education = arr[1];//最低学历
90 }
91 }
92 }
93 //--月薪
94 IEnumerable<HtmlNode> NodesMainContent7 = AnalyzeHTML.GetHtmlInfo(html, "div.job-title-left p.job-main-title");
95 if (NodesMainContent7.Count() > 0)
96 {
97 info.Salary = NodesMainContent7.ToArray()[0].InnerText;
98 }
99 //--发布时间
100 IEnumerable<HtmlNode> NodesMainContent8 = AnalyzeHTML.GetHtmlInfo(html, "div.job-title-left p.release-time em");
101 if (NodesMainContent8.Count() > 0)
102 {
103 info.Time = NodesMainContent8.ToArray()[0].InnerText;
104 }
105 //--
106 if (GetJobEnd != null)
107 {
108 GetJobEnd("", info);
109 }
110 }
111 catch (Exception exMsg)
112 {
113 throw new Exception(exMsg.Message);
114 }
115 }
以上这个方法也是解析某招聘网站标签的内容，但已经看不到复杂的正则表达式去截取HTML标签了，这样显得代码更加干练、简单，再整一个配置页面既可应付抓取网站标签经常变化的难题，这样就显得抓取别人网站数据就是一件非常简单的事情了，O(∩_∩)O哈哈~是不是啦！！！
以上只代表个人观点！！！
个人主要研究：金融系统、MIS系统、人力资源管理系统、数据采集系统、权限管理系统等等系统。主攻C#开发语言，Oracle、Sql Server,WCF和Remoting通信。
如需联系可加QQ：442389681 Email：lxc880615@163.com 手机：18922735098
QQ群交流：186841119 (请注明来自博客园)
博客园地址：http://www.cnblogs.com/jara/ http://www.cnblogs.com/luoyuhao/