推荐一个.Net Core开发的蜘蛛爬虫开源项目

news2024/9/29 5:34:32

更多开源项目请查看：一个专注推荐.Net开源项目的榜单

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<string> CompletedUrls = new();

  //配置：速度、间隔时间
  public static async Task RunAsync()
  {
    var builder = Builder.CreateDefaultBuilder<TestSpider>(x =>
    {
      x.Speed = 1;
      x.EmptySleepTime = 5;
    });
    builder.UseDownloader<HttpClientDownloader>();
    builder.UseQueueDistinctBfsScheduler<HashSetDuplicateRemover>();
    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<SpiderOptions> options, DependenceServices services,
    ILogger<Spider> 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<N>
{
  [ValueSelector(Expression = "./div[@class='title']")]
  public string title { get; set; }

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