由于各种原因，我们经常需要去别的网站采集一些信息，.net下所有相关的技术都已经非常成熟，用Webrequest抓取页面，既支持自定义Reference头，又支持cookie，解析页面一般都是用正则，而且对方网站结构一变，还得重新改代码，重新编译，发布。
如果有了IronPython，可以把抓取和分析的逻辑做成Python脚本，如果对方页面结构变了，只需修改脚本就行了，不需重新编译软件，这样可以用c#做交互和界面部分，用Python封装预期经常变化的部分。
安装好IronPython和vs.net 2010后，还需要下载一个SGMLReader(见参考链接)，这个组件可以把格式不是很严格的HTML转换成格式良好的XML文件，甚至还能增加DTD的验证
我们以抓取百度贴吧页面为例，新建一个Console项目，引用IronPython,Microsoft.Dynamic,Microsoft.Scripting,SgmlReaderDll这些组件，把SGMLReader里的Html.dtd复制到项目目录下，如果没有这个，它会根据doctype去网络上找dtd，然后新建baidu.py的文件，***在项目属性的生成事件里写上如下代码，把这两个文件拷贝到目标目录里
复制
copy $(ProjectDir)\*.py $(TargetDir) copy $(ProjectDir)\*.dtd $(TargetDir)
1.
2.
在baidu.py里首先引用必要的.net程序集
复制
import clr, sys clr.AddReference("SgmlReaderDll") clr.AddReference("System.Xml")
1.
2.
3.
完了导入我们需要的类
复制
from Sgml import * from System.Net import * from System.IO import TextReader,StreamReader from System.Xml import * from System.Text.UnicodeEncoding import UTF8
1.
2.
3.
4.
5.
利用SgmlReader写一个把html转换成xml的函数，注意SystemLiteral属性必须设置，否则就会去网上找dtd了，浪费时间
复制
def fromHtml(textReader): sgmlReader = SgmlReader() sgmlReader.SystemLiteral = "html.dtd" sgmlReader.WhitespaceHandling = WhitespaceHandling.All sgmlReader.CaseFolding = CaseFolding.ToLower sgmlReader.InputStream = textReader doc = XmlDocument() doc.PreserveWhitespace = True doc.XmlResolver = None doc.Load(sgmlReader) return doc
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
利用webrequest写一个支持cookie和网页编码的抓网页方法
复制
def getWebData(url, method, data = None, cookie = None, encoding = "UTF-8"): req = WebRequest.Create(url) req.Method = method if cookie != None: req.CookieContainer = cookie if data != None: stream = req.GetRequestStream() stream.Write(data, 0, data.Length) rsp = req.GetResponse() reader = StreamReader(rsp.GetResponseStream(), UTF8.GetEncoding(encoding)) return reader
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
写一个类来定义抓取结果，这个类不需要在c#项目里定义，到时候直接用c# 4.0的dynamic关键字就可以使用
复制
class Post: def __init__(self, hit, comments, title, link, author): self.hit = hit self.comments = comments self.title = title self.link = link self.author = author
1.
2.
3.
4.
5.
6.
7.
定义主要工作的类，__init__大概相当于构造函数，我们传入编码参数，并初始化cookie容器和解析结果，[]是python里的列表，大约相当于c#的List
复制
class BaiDu: def __init__(self,encoding): self.cc = self.cc = CookieContainer() self.encoding = encoding self.posts = []
1.
2.
3.
4.
5.
接下来定义抓取方法，调用getWebData抓网页，然后用fromHtml转换成xml，剩下的就是xml操作，和.net里一样，一看便知
复制
def getPosts(self, url): reader = getWebData(url, "GET", None, self.cc, self.encoding) doc = fromHtml(reader) trs = doc.SelectNodes("html//table[@id='thread_list_table']/tbody/tr") self.parsePosts(trs) def parsePosts(self, trs): for tr in trs: tds = tr.SelectNodes("td") hit = tds[0].InnerText comments = tds[1].InnerText title = tds[2].ChildNodes[1].InnerText link = tds[2].ChildNodes[1].Attributes["href"] author = tds[3].InnerText post = Post(hit, comments, title, link, author) self.posts.append(post)
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
c#代码要创建一个脚本运行环境，设置允许调试，然后执行baidu.py，***创建一个Baidu的类的实例，并用dynamic关键字引用这个实例
复制
Dictionary options = new Dictionary(); options["Debug"] = true; ScriptEngine engine = Python.CreateEngine(options); ScriptScope scope = engine.ExecuteFile("baidu.py"); dynamic baidu = engine.Operations.Invoke(scope.GetVariable("BaiDu"), "GBK");
1.
2.
3.
4.
5.
接下来调用BaiDu这个python类的方法获取网页抓取结果，然后输出就可以了
复制
baidu.getPosts("http://tieba.baidu.com/f?kw=seo"); dynamic posts = baidu.posts; foreach (dynamic post in posts) { Console.WriteLine("{0} (回复数:{1})(点击数：{2})[作者:{3}]", post.title, post.comments, post.hit, post.author); }
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
原文链接：http://www.cnblogs.com/onlytiancai/archive/2011/02/22/1960859.html
【编辑推荐】