推荐一个.Net Core开发的蜘蛛爬虫开源项目

如果我们需要抓取网络上的数据，这时候我们就要写爬虫，这里面就涉及到网页的抓取、以及网页分析与数据提取、抓取的性能等知识，今天就给大家推荐一个开源项目，它可以很好解决你的问题，让你更专注业务的开发。

项目简介

这是一个基于.Net Core开发的、Web爬虫开源项目，一个轻量级、高性能、简便的框架；框架集成了爬取、数据分析提取、代理等功能，可以帮助我们快速的完成爬取的功能。

技术架构

1、跨平台：基于.NetCore开发，支持Windows、Mono、Liunx、Windows Azure、Docker。

2、支持 .NetCore 2.2+。

3、数据库：MySql。

4、组件：RabbitMQ。

框架功能

1、基础功能：网页Http数据爬取、解析网页数据（text、json、html）、存储解析的数据至数据库。

2、采集调度：采集的去重，以及采集顺序的控制，支持广度优先与深度优先的模式。

3、分部署部署：可以同时部署多个下载服务器；

4、下载代理器注册服务：负责下载代理器的注册、心跳；单机模式默认启动一个内置的注册服务；

5、统计：统计各个爬虫、服务中心的状态，比如爬虫的请求数量、成功数量、失败数量等；

6、请求配置：比如添加签名配置；

7、数据流：可以支持多个规则解析器，按照顺序解析；

8、并发：支持消息队列，预先缓存请求数据，提高采集性能。

项目结构

使用例子

简单爬虫例子

public class TestSpider : Spider
{public static readonly HashSet CompletedUrls = new();//配置：速度、间隔时间public static async Task RunAsync(){var builder = Builder.CreateDefaultBuilder(x =>{x.Speed = 1;x.EmptySleepTime = 5;});builder.UseDownloader();builder.UseQueueDistinctBfsScheduler();await builder.Build().RunAsync();}class MyDataParser : DataParser{protected override Task ParseAsync(DataFlowContext context){var request = context.Request;lock (CompletedUrls){//过滤var url = request.RequestUri.ToString();CompletedUrls.Add(url);if (url == "http://axx.com/"){context.AddFollowRequests(new[] { new Uri("http://bxx.com") });}}return Task.CompletedTask;}public override Task InitializeAsync(){return Task.CompletedTask;}}public TestSpider(IOptions options, DependenceServices services,ILogger logger) : base(options, services, logger){}protected override async Task InitializeAsync(CancellationToken stoppingToken = default){await AddRequestsAsync(new Request("http://axx.com"));AddDataFlow(new MyDataParser());}
}

Html数据解析

public async Task XpathFollow()
{
var request = new Request("http://xxx.com");
var dataContext =
new DataFlowContext(null, new SpiderOptions(), request,
new Response {Content = new ByteArrayContent(File.ReadAllBytes("cnblogs.html"))});var dataParser = new TestDataParser();dataParser.AddFollowRequestQuerier(Selectors.XPath(".//div[@class='pager']"));await dataParser.HandleAsync(dataContext);
var requests = dataContext.FollowRequests;Assert.Equal(12, requests.Count);Assert.Contains(requests, r => r.RequestUri.ToString() == "http://cnblogs.com/sitehome/p/2");
}

配置解析

private class N : EntityBase
{[ValueSelector(Expression = "./div[@class='title']")]public string title { get; set; }[ValueSelector(Expression = "./div[@class='dotnetspider']")]public string dotnetspider { get; set; }
}

项目地址

https://github.com/dotnetcore/DotnetSpider

- End -

欢迎加入 .Net编程学习小圈子 ，获取海量的编程学习资源、学习路线，和大家一起打卡、分享编程知识、共同进步。

分享一套.NetCore从入门到精通视频教程

点击下方公众号卡片，关注我

回复“888”，免费领取

推荐阅读

推荐一个前后端分离.NetCore+Angular快速开发框架

阅读开源项目源代码的方法与心得

一个强大、支持100多种格式.Net图片操作库

基于.NetCore+React单点登录系统

一款统计摸鱼时长的开源项目

觉得好看 点个在看👇

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！