前段时间我们介绍了如何利用 C# 语言来爬取“京东 - 计算机与互联网图书销量榜” 网页的方法，通过该方法，我们能够获得“京东”的图书销售排行榜数据。
可是，读书相当于给我们的大脑喂料，只有输入的是精华，才会有更好的输出。所以，仅仅有“京东”的数据还是不够的，或者说是片面的。我们需要扩展数据源，而说到图书购买，我们自然会想起“当当网”。今天我就带着大家来爬取“当当 - 计算机与互联网图书销量榜”的数据。
爬取数据之前，我们先来分析一下原网页，网址如下：
http://bang.dangdang.com/books/bestsellers/01.54.00.00.00.00-recent7-0-0-1-1
当当网页
当我们点击“第2页”时，网址变化为：
http://bang.dangdang.com/books/bestsellers/01.54.00.00.00.00-recent7-0-0-1-2
对比两个请求的 URL，发现变化的仅仅是最后一位的数字，这样我们就得到了爬取榜单的网络地址。
接下来，我们看一下网页对应的源代码：
当当源代码
从源代码中我们发现所要的数据存放在 .bang_list > li 内的 .class > a 和 .publisher_info > a 标签中。只要通过“选择器”找到这两个标签，就可以得到我们所要的数据。
通过上面的分析，我们只要通过给定的 URL 得到“当当 - 计算机与互联网图书销量榜”网页的 HTML DOM TREE，然后进行解析找到对应的数据就可以了。这里，我们推荐一套处理HTML DOM TREE的开源工具 Jumony，可以在 Github 上下载。
Jumony下载
下载地址为：
https://github.com/Ivony/Jumony
这里对 Jumony 就不做过多介绍了，要是大家感兴趣，可以在图文下方留言，我后面再写几篇图文来介绍这个工具。
到此为止，网页分析、所用工具已经介绍完了，下面介绍一下我们写的代码。
1. 构造存储图书信息的结构Book类。
public class Book
{
/// <summary>
/// 获取或设置 销量排名
/// </summary>
public int Num { get; set; }
/// <summary>
/// 获取或设置 书名
/// </summary>
public string Title { get; set; }
/// <summary>
/// 获取或设置 作者
/// </summary>
public string Author { get; set; }
/// <summary>
/// 获取或设置 出版社
/// </summary>
public string Press { get; set; }
/// <summary>
/// 获取或设置 来源
/// </summary>
public string Source { get; set; }
/// <summary>
/// Book实例的格式化输出
/// </summary>
/// <returns>Markdown格式文本</returns>
public override string ToString()
{
string num = Num.ToString().PadLeft(2, '0');
string temp = "**Top" + num + "：" + Title.Trim() + "**"
+ Environment.NewLine
+ "- 作 者：" + Author
+ Environment.NewLine
+ "- 出版社：" + Press;
return temp;
}
}
2. 得到“当当 - 计算机与互联网图书销量榜”的HTML DOM TREE。
public static IHtmlDocument GetHtmlDocumentDd(int page)
{
string url = "http://bang.dangdang.com/books/bestsellers/"
+ "01.54.00.00.00.00-"
+ "recent7-0-0-1-"
+ page;
IHtmlDocument document;
try
{
document = new JumonyParser().LoadDocument(url);
}
catch
{
document = null;
}
return document;
}
3. 解析HTML DOM TREE得到存储图书的链表List<Book>。
public static List<Book> GetBooksDd(int page)
{
IHtmlDocument doc = GetHtmlDocumentDd(page);
if (doc == null)
return null;
List<Book> result = new List<Book>();
List<IHtmlElement> lists = doc.Find(".bang_list > li").ToList();
for (int i = 0; i < lists.Count; i++)
{
Book book = new Book();
book.Num = i + 1;
book.Source = "当当网";
List<IHtmlElement> s = lists[i].Find(".name > a").ToList();
//得到书的名字
book.Title = s[0].Attribute("title").AttributeValue.Trim();
List<IHtmlElement> infor
= lists[i].Find(".publisher_info > a").ToList();
//得到作者的名字
book.Author = infor[0].Attribute("title").AttributeValue.Trim();
//得到出版者的名字
book.Press = infor[infor.Count-1].InnerHtml().Trim();
result.Add(book);
}
return result;
}
4. Markdown格式化输出存储图书的链表。
private string GetReport(string name, List<Book> lst)
{
string result = Environment.NewLine + "---" + Environment.NewLine
+ "### " + name + Environment.NewLine;
for (int i = 0; i < lst.Count; i++)
{
result += Environment.NewLine + lst[i] + Environment.NewLine;
}
return result;
}
5. Markdown文本格式渲染。
当当结果
最后，我们再来总结一下。
通过对“当当 - 计算机与互联网图书销量榜”的网页分析，我们确定了爬取网页的 URL 地址结构，利用 Jumony 开源工具得到该网页的 HTML DOM TREE，使用选择器得到对应的图书数据集合，最后格式化输出为 Markdwon 文本。经过渲染可以构成我们每周推荐的 计算机书籍每周销量排行榜 的“当当网”部分。怎么样，是不是很有趣。大家来试试看，今天就到这里吧， See You！
参考阅读
网友评论