3

我正在尝试从下面提到的网站中提取价格。我正在使用AngleSharp进行提取。在网站上，价格如下（例如）：

<span class="c-price">650.00                            </span>

我正在使用以下代码进行提取。 

using AngleSharp.Parser.Html;
using System.Net;
using System.Net.Http

//Make the request
var uri = "https://meadjohnson.world.tmall.com/search.htm?search=y&orderType=defaultSort&scene=taobao_shop";
var cancellationToken = new CancellationTokenSource();
var httpClient = new HttpClient();
var request = await httpClient.GetAsync(uri);
cancellationToken.Token.ThrowIfCancellationRequested();

//Get the response stream
var response = await request.Content.ReadAsStreamAsync();
cancellationToken.Token.ThrowIfCancellationRequested();

//Parse the stream
var parser = new HtmlParser();
var document = parser.Parse(response);

//Do something with LINQ
var pricesListItemsLinq = document.All
     .Where(m => m.LocalName == "span" && m.ClassList.Equals("c-price"));
Console.WriteLine(pricesListItemsLinq.Count());

但是，我没有收到任何物品，但它们在网站上。我究竟做错了什么？如果AngleSharp不是推荐的方法，我应该使用什么？我应该使用什么代码？

4

1 回答 1

9

我在聚会上迟到了，但我试着给这里带来一些理智。

查询静态网页

为此，我们需要以下一组工具/功能：

  • HTTP 请求者（通过 HTTP 获取资源，例如 HTML 文档），可能在顶部带有 SSL/TLS 层（接受所有证书或针对证书存储/已知 CA）
  • HTML 解析器
  • 已解析 HTML 文档的可查询对象模型表示
  • 也许还有一些 cookie 状态和跟踪链接/发布表单的能力

AngleSharp为我们提供了所有这些选项（减去与证书存储/已知 CA 的连接；因此为了使用 HTTPS，我们必须进行一些额外的配置，例如，接受所有证书）。

我们将首先创建一个 AngleSharp 配置，该配置定义哪些功能可用于浏览引擎。这个引擎以“浏览上下文”的形式暴露出来，可以看作是一个无头标签。在此选项卡中，我们可以打开一个新文档（来自本地源、构造源或远程源）。

var config = Configuration.Default.WithDefaultLoader();
var context = BrowsingContext.New(config);
var document = await context.OpenAsync("http://example.com");

一旦我们有了文档，我们就可以使用 CSS 查询选择器来获取某些元素。这些元素可用于收集我们寻找的信息。

AngleSharp 包含 LINQ（或一般的 IEnumerable），但是，如果可能的话，为查询提供全部功能是有意义的。

所以而不是

var pricesListItemsLinq = document.All
    .Where(m => m.LocalName == "span" && m.ClassList.Equals("c-price"));

我们写

var pricesListItemsLinq = document.QuerySelectorAll("span.c-price");

这也更加健壮（ClassList无论如何，它是一个复杂的对象，可以访问类列表，所以你的意思是ClassList.Contains或ClassName.Equals（后者是字符串表示）。注意：这两个版本不等价，因为前者正在寻找类列表中的一个类，而后者正在寻找整个类序列化的匹配项（因此对匹配项提出了一些额外的边界条件；它必须是唯一的类）。

处理动态页面

这要复杂得多。基础与之前相同，但引擎需要提供的不仅仅是前面提到的要求。另外，我们需要

  • 一个 JavaScript 引擎
  • 有效的 CSSOM
  • 一个假的（甚至是完全计算的）渲染树
  • 可以在真实浏览器中找到的更多 DOM 接口（例如，导航器、完整历史记录、网络工作者，...） - 这里的列表是无限的

虽然有一个项目向 AngleSharp 提供了一个实验性的（和有限的）仅限 C# 的 JS 引擎，但后两个要求目前无法完全满足。此外，对于一个或另一个 Web 应用程序，CSSOM 也可能不够完整。请记住，这些页面可能是为真正的浏览器设计的。他们做出某些假设。他们甚至可能需要用户输入（例如，Google Captcha）。

长话短说。

var config = Configuration.Default
    .WithDefaultLoader()
    .WithCss()
    .WithJavaScript(); // maybe even more
var context = BrowsingContext.New(config);

当打开一个新文档时，后面的 Taskawait相当于loadDOM 中的一个事件。因此，当文档被下载和解析时它不会触发，但只有在所有脚本都已加载（并可能运行）后才会触发，包括。需要下载的资源。

希望这个对你有帮助！

于 2017-12-15T21:44:10.803 回答