C#爬虫爬取某东商品信息

🏆作者：科技、互联网行业优质创作者
🏆专注领域：.Net技术、软件架构、人工智能、数字化转型、DeveloperSharp、微服务、工业互联网、智能制造
🏆欢迎关注我（Net数字智慧化基地），里面有很多高价值技术文章，是你刻苦努力也积累不到的经验，能助你快速成长。升职+涨薪！！

在一个小项目中,需要用到京东的所有商品ID,因此就用c#写了个简单的爬虫。

在解析HTML中没有使用正则表达式，而是借助开源项目HtmlAgilityPack解析HTML。

一、下载网页HTML

首先我们写一个公共方法用来下载网页的HTML。

在写下载HTML方法之前，我们需要去查看京东网页请求头的相关信息，在发送请求时需要用到。

public static string DownloadHtml(string url, Encoding encode)
{string html = string.Empty;try{HttpWebRequest request = WebRequest.Create(url) as HttpWebRequest;request.Timeout = 30 * 1000;request.UserAgent = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36";request.ContentType = "text/html; charset=utf-8";using (HttpWebResponse response = request.GetResponse() as HttpWebResponse){if (response.StatusCode == HttpStatusCode.OK){try{StreamReader sr = new StreamReader(response.GetResponseStream(), encode);html = sr.ReadToEnd();//读取数据sr.Close();}catch (Exception ex){html = null;}}}}catch (System.Net.WebException ex){html = null;}catch (Exception ex){html = null;}return html;
}

如上代码所示，我们使用WebRequest来获取网页信息，在发送请求之前，需要先设置和京东页面一样的请求头。

以上设置的信息比较简单，但能够正常发送请求，我们也可以模拟浏览器设置cookie等等信息，

二、解析HTML

获取所有商品的信息分为两个步骤

（1）根据商品分类页面获取所有商品分类的URL

（2）根据商品分类URL获取每个商品

 1、获取商品分类

try
{string html = HttpHelper.DownloadUrl(@"http://www.jd.com/allSort.aspx");HtmlDocument doc = new HtmlDocument();doc.LoadHtml(html);string goodClass= @"//*[@class='items']/dl/dd";HtmlNodeCollection noneNodeList = doc.DocumentNode.SelectNodes(goodClass);foreach (var node in noneNodeList){HtmlDocument docChild = new HtmlDocument();docChild.LoadHtml(node.OuterHtml);string urlPath = "/dd/a";HtmlNodeCollection list = docChild.DocumentNode.SelectNodes(urlPath);foreach (var l in list){HtmlDocument docChild1 = new HtmlDocument();docChild1.LoadHtml(l.OuterHtml);var sortUrl = l.Attributes["href"].Value;if (!string.IsNullOrWhiteSpace(sortUrl) && sortUrl.Contains("cat=")){InsertSort("https:" + sortUrl);}}}
}
catch (Exception ex)
{Console.WriteLine(ex.Message);
}

上面的代码中使用到了HtmlAgilityPack来解析HTML信息，这是.NET的开源项目，开源在nuget包中下载。

（1）下载http://www.jd.com/allSort.aspx的html页，然后加载到HtmlDocument

（2）选择节点，获取每个大类的节点集合

（3）根据每个大类的节点，获取每个小类的节点信息，然后获取到分类地址

节点中也包含了其它很多信息，可以根据自己的需求去获取对应的信息

2、获取具体商品信息

  

（1）首先根据商品分类加载分类信息，获取到当前分类每个页面的链接

下载HTML之后，选择节点，可以将HTML格式化之后查看每个页面的url地址和拼接规则，然后借助HtmlAgilityPack

来筛选需要的节点，将每个页面的url分离出来

try
{string html = HttpHelper.DownloadUrl(@"https://list.jd.com/list.html?cat=1620,11158,11964");HtmlDocument productDoc = new HtmlDocument();productDoc.LoadHtml(html);HtmlNode pageNode = productDoc.DocumentNode.SelectSingleNode(@"//*[@id='J_topPage']/span/i");if (pageNode != null){int pageNum = Convert.ToInt32(pageNode.InnerText);for (int i = 1; i < pageNum + 1; i++){string pageUrl = string.Format("{0}&page={1}", category.Url, i).Replace("&page=1&", string.Format("&page={0}&", i));try{List<ProductInfo> proDuctInfo = GetPageProduct(pageUrl);}catch (Exception ex){Console.WriteLine(ex.Message);}}}
}
catch (Exception ex)
{Console.WriteLine(ex.Message);
}

（2）根据每个页面的链接，获取当前页面的商品信息

下载每个页面的所有商品信息，需要获取的商品信息在页面中都能找到

首先我们获取到每个商品的节点集合，获取到一个商品的节点信息之后，分析html数据，

找到我们需要的商品的信息所在的位置，然后将需要的信息分离出来。

下面的代码中我获取到的商品的id和title还有价格。

List<ProductInfo> productInfoList = new List<ProductInfo>();
try
{string html = HttpHelper.DownloadUrl(url);HtmlDocument doc = new HtmlDocument();doc.LoadHtml(html);HtmlNodeCollection productNodeList = doc.DocumentNode.SelectNodes("//*[@id='plist']/ul/li");if (productNodeList == null || productNodeList.Count == 0){return productInfoList;}foreach (var node in productNodeList){HtmlDocument docChild = new HtmlDocument();docChild.LoadHtml(node.OuterHtml);ProductInfo productInfo = new ProductInfo(){CategoryId = category.Id};HtmlNode urlNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a");if (urlNode == null){continue;}string newUrl= urlNode.Attributes["href"].Value;newUrl = !newUrl.StartsWith("http:")?"http:" + newUrl: newUrl;string sId = Path.GetFileName(newUrl).Replace(".html", "");productInfo.ProductId = long.Parse(sId);HtmlNode titleNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-name']/a/em");if (titleNode == null){continue;}productInfo.Title = titleNode.InnerText;HtmlNode priceNode = docChild.DocumentNode.SelectSingleNode("//*[@class='p-price']/strong/i");if (priceNode == null){continue;}else{}productInfoList.Add(productInfo);}//批量获取价格GetGoodsPrice(productInfoList);
}
catch (Exception ex)
{
}
return productInfoList;

商品的图片地址和价格信息的获取需要仔细分析html中的数据，然后找到规律，比如价格在每个节点中就不能单独获取。

以下为批量获取价格的代码：

try
{StringBuilder sb = new StringBuilder();sb.AppendFormat("http://p.3.cn/prices/mgets?callback=jQuery1069298&type=1&area=1_72_4137_0&skuIds={0}&pdbp=0&pdtk=&pdpin=&pduid=1945966343&_=1469022843655", string.Join("%2C", productInfoList.Select(c => string.Format("J_{0}", c.ProductId))));string html = HttpHelper.DownloadUrl(sb.ToString());if (string.IsNullOrWhiteSpace(html)){return productInfoList;}html = html.Substring(html.IndexOf("(") + 1);html = html.Substring(0, html.LastIndexOf(")"));List<CommodityPrice> priceList = JsonConvert.DeserializeObject<List<CommodityPrice>>(html);productInfoList.ForEach(c => c.Price = priceList.FirstOrDefault(p => p.id.Equals(string.Format("J_{0}", c.ProductId))).p);
}
catch (Exception ex)
{Console.WriteLine(ex.Message);
}
return productInfoList;

以上就是一个简单的爬取京东商品信息的爬虫，也可以根据自己的需求去解析更多的数据出来。

🏆欢迎订阅我的专栏（.NET/C#中大型项目开发），里面有很多高价值技术文章，是你刻苦努力也积累不到的经验，能助你涨薪+升职！让你快速成长为相关领域的架构师、领航员。也能让普通中小企业轻松享有大型互联网分布式系统解决方案。
🏆同时，专栏（.NET/C#中大型项目开发）的内容也能教你采用最简单的方式开发.NET/C#中大型应用——理清技术脉络、形成思维体系、获取最佳实践、框架开发能力。让你具备挑战百万年薪的基础，逐渐成为国内一流.NET/C#从业者。