开发笔记:基于C#.NET的高端智能化网络爬虫

前两天朋友发给我了一篇文章，是携程网反爬虫组的技术经理写的，大概讲的是如何用他的超高智商通过（挑衅、怜悯、嘲讽、猥琐）的方式来完美碾压爬虫开发者。今天我就先带大家开发一个最简单低端的爬虫，突破携程网超高智商的反爬虫技术。

一、什么是爬虫？

很多人说我们这些搞软件的人，总喜欢把虚拟世界里的事物跟现实中的东西扯上关系。这点我真不否认，脱离了现实，我们伟大的创举还有何意义？

“爬虫”就是个例子，它对于我们开发人员而言，就是一段用来自动化采集网站数据的程序，结果跟现实中的虫子扯上了关系。听说是Google工程师提出来的，有质疑请联系Larry Page。

二、为什么需要开发爬虫？

在这个数据横流的互联网时代，创业型公司如雨后春笋般的崛起，而大数据则可以帮他们迅速生产垂直化数据资料库，提供给用户使用。同时也让老板们更容易看清未来的方向，制定发展策略。

这些大数据从哪儿能弄来呢？当然是从每个行业里的龙头老大那里，做老大就是这么不容易。这图里一部分是行业老大，有些我也没听说过，仅供参考：

京东的价格、携程的评论、亚马逊的书、淘宝的信用、支付宝的订单等。这些数据采集下来都很庞大，那究竟要这些数据有什么用呢？

• 直接用于机器学习，分析用户的兴趣爱好和行为。




• 获取淘宝店铺信用，直接用于新平台的用户信用及身份验证。




• 获取各个商城物品价格，为用户提供市场场最低价。




• 获取酒店、图书的（价格、简介、评论），做垂直化平台的基础数据库。

请原谅我用携程举例：设想我们要做一个高端的垂直化酒店平台，就拿北京来说，酒店接近10000家。要是全部都手动筛选、录入这些信息，需要花费的人力、时间是极其恐怖的事。当然最难的应该是将人工搜集的数据标准化。怎样才能把携程网的酒店数据弄下来作为我们的基础资料库呢？

如果利用爬虫技术，事情就有了很好解决方案。我们只需要编写一个7*24小时运行的分布式爬虫，自动化采集携程网酒店数据，将国内外所有高端酒店（图片、简介、评分、用户评论）全部抓取下来。再通过数据清洗，使内容标准化，让这些数据成为我们的基础资料库就行了。看到这里内心是不是已经有点小激动？

三、开发爬虫需要哪些技术？

由此可见，爬虫技术已经成为我们每个开发人员最基本的技能，同时也是步入中高级开发不得不涉足的内容。为什么这么说呢？因为开发一个像样的爬虫，需要你了解的东西还真不少：

• 学习任意一门开发语言：C#、NodeJs、Python、Java、C++。




• 学习网页前端脚本语言：Javascript、html、CSS。




• 学习HTTP协议、正则表达式、数据库、代理切换等相关知识。




• 学习多线程并发抓取、任务调度、消息队列、分布式爬虫、图像识别、模拟键鼠、NoSql。

我仿佛看到了你一脸懵懂的表情！你真的没有看错，这些技术只是冰山一角。不过也不用担心，初中级的爬虫只需要学会前三点就可以了。要想开发出更高级的爬虫，第四点是必须会的，同时为了追求极致的性能，还需要研究开源浏览器内核的相关项目，此处暂省略十万字。

四、开发一个最简单的爬虫

下面我用C#.NET来写一个非常简单的爬虫，我们的爬虫之所以被封杀，肯定是因为对方找到了运行特征。因此只需要修改爬虫的运行方式及特征，让其操作与普通用户的相似就可以了。一般爬虫会有哪些特征和运行方式呢？

• User-Agent：主要用来将我们的爬虫伪装成浏览器。




• COOKIE：主要用来保存爬虫的登录状态。




• 连接数：主要用来限制单台机器与服务端的连接数量。

通常来说，只要我们控制好了上面这4个东西，反爬虫组那边就较难找到我们的运行特征。还是拿携程网来举个例子，抓取他们的酒店数据，因为这些酒店信息本身属于公开的内容，我们也不用于商业运作的目的，只是为了想见识一下他们反爬虫经理所描述的猥琐程度。

爬虫工作的方式可以归纳为两种：深度优先、广度优先。

深度优先就是一个连接一个连接的向内爬，处理完成后再换一下一个连接，这种方式对于我们来说缺点很明显。广度优先就是一层一层的处理，非常适合利用多线程并发技术来高效处理，因此我们也用广度优先的抓取方式。

首先我们用Visual Studio 2015创建一个控制台程序，定义一个简单的SimpleCrawler类，里面只包含几个简单的事件：

接着我们创建一个OnStart的事件对象：

然后我们创建一个OnCompleted事件对象：

最后我们再给它增加一个异步方法，通过User-Agent将爬虫伪装成了Chrome浏览器，代码中每行我基本都加了注释，学过.NET的朋友一看就明白，这里就不再重复解释了：

就如你所见，一个支持并发执行、可伪装成Chrome浏览器、支持COOKIE状态保存、支持代理切换的简单爬虫就完成了。

为了加快爬虫的速度，我又增加了Gzip解压缩的功能，由于不太便于截图，大家可以在源代码里查看。现在我们用这个爬虫抓取一下携程网的酒店数据，看看效果如何。

在控制台里写下爬虫的抓取代码：

代码都很简单，眼睛犀利的朋友肯定看到了我在cityCrawler.Start()方法中使用了代理服务器，那个参数是可选的。经测试代理IP的速度还不错，唯一不足的地方可能就是偶尔会出现连接超时，并发量少时并不需要开代理，这里只是为了测试的需要。来看看执行情况：

怎么办呢？现在请出《正则表达式》—又简洁又高效的神器，就是学起来比较费劲。我写了个提取城市名称及URL的正则表达式，直接提取源代码中所有符合规则的数据：

]+href=""*(?/hotel/[^>s]+)""s*[^>]*>(?(?!.*img).*?)

在控制台程序中增加正则表达式过滤数据：

再次运行爬虫看看是否是我们需要的内容：

">]+href="*(?/hotel/[^>s]+)"s*data-dopost[^>]*>]+>.*?(?.*?)

请原谅我写出这无比糟糕的正则表达式，看看它的运行结果：

这里我发现一个有趣的地方，携程网酒店列表页中的连接，在点击后会发生变化，会自动拼接上一个当天的日期，应该是用Javascript写的事件。我测试了下这些URL都能正确的连接到酒店介绍页，如果这算是他们的反爬虫手段，大家也可以在下一篇高级爬虫知识里找到解决方案。

注意：单个IP并发数量不要设置太多，短时间内发送大量的爬虫请求，很容易被反爬虫组轻易的识别出来，因为普通用户不可能在一秒内有那么多的请求和连接。

我们想要提高并发数量怎么办呢？当然是使用代理IP和VPN，假设反爬虫组限制单台IP连接数不能超过50，那我们增加一个代理IP就相当于可以多并发50个爬虫出去，在带宽足够的情况下，10个有效的代理IP就可以让爬虫的性能提到一个新的高度，有没有感觉到大数据已经在向你招手？

有人说代理也可以被检测出来，那是因为你还不太了解代理，代理服务器有很多种，而且真有不能被检测出来的代理，比如自己搭建的 shadowsocks ，这块内容较多，将在下一篇高级爬虫的文章详细讲解，它的运行方式如下：

现在大家就可以利用这个简单的爬虫自由发挥了，试试从酒店列表里抓取每个酒店的（评分、名称、图片），不要太难为自己，毕竟这只是一个最简单的爬虫，抓取都是同样的原理，我就不再多说。

明天发下一篇（绝对干货）：基于C#.NET的高端智能化网络爬虫（二），主要讲：如何开发浏览器内核的高级爬虫、如何执行Javascript、如何操作Dom结构、如何搞定加密代理、如何实现分布式等功能。

然后我们通过这个高级爬虫，实现对携程网Ajax评论数据的抓取，这次我们就抓取他们的酒店评论。希望大家订阅“全栈解密”，千万不要错过哦！

全部源代码下载：https://github.com/coldicelion/Simple-Web-Crawler

.NET社区新闻，深度好文，微信中搜索dotNET跨平台或扫描二维码关注