爬虫，是一种按照一定的规则，自动地抓取网站的程序或者脚本。`.NET`写爬虫非常简单，并能轻松优化性能。今天我将分享一段简短的代码，爬出博客园前200页精华内容，然后通过微小的改动，将代码升级为多线程爬虫，让爬虫速度提升数倍；最后将对爬到了内容进行一些有趣的分析。
本文演示的代码，可以从这里下载：https://github.com/sdcb/blog-data/tree/master/2019/20190826-cnblogs-crawler-home
我的演示代码通过LINQPad运行，可以在这里找到最新的LINQPad下载链接：https://www.linqpad.net/Download.aspx
这些代码同样可以运行在Visual Studio中。其中.Dump()方法可以在Visual Studio中搜索并安装NuGet包即可兼容：
Install-Package LINQPad
爬虫的三要素
经过我“多年”的爬虫骚操作的经验，我认为爬虫无非就是：
- 下载网站数据；
- 解析/保存网站数据；
- 分析数据与下个页面之间的关系，以便继续下载下个页面数据；
下面我将通过代码演示这三点。
下载网站数据
换作以前，有WebRequest/WebClient/RestSharp之类的选择，但如今已经都被HttpClient取代了，HttpClient同时内置于.NET Framework 4.5/netstandard 1.1及以后的版本，不用安装第三方包。
代码使用也非常简单：
var client = new HttpClient();
string response = await client.DownloadStringAsync("https://www.cnblogs.com");
其中response就是从博客园下载的html字符串。
解析网站数据
.NET解析html有多个包可供选择，如HtmlAgilityPack、CsQuery等。但AngleSharp由于其简单好用、功能强大，已经也成为解析html的不错之选。
AngleSharp是开源项目，Github地址是：https://github.com/AngleSharp/AngleSharp。
近期还加入了.NET Foundation（.NET基金会），官网地址是：https://anglesharp.github.io 。
使用AngleSharp解析html过程（在`INQPad`，按Ctrl+Shift+P快速安装NuGet包）：
Install-Package AngleSharp Install-Package Newtonsoft.Json
使用代码如下：
var parser = new HtmlParser();
IHtmlDocument dom = parser.ParseDocument(@"<ul>
<li>
<a href=""cnblogs.com"">博客园</a>
<a href=""baidu.com"">百度</a>
<a href=""google.com"">谷歌</a>
</li>
<ul>");
var data = dom.QuerySelectorAll("ul li a").Select(x => new
{
Link = x.GetAttribute("href"),
Title = x.TextContent
}).Dump();
运行效果：
Link
Title
cnblogs.com
博客园
baidu.com
百度
google.com
谷歌
然后这些数据可以通过JSON序列化，保存到桌面上：
File.WriteAllText(@"C:\Users\sdfly\Desktop\cnblogs.json",
JsonConvert.SerializeObject(data));
注意：在解析网页数据时，可能还需要灵活运用`正则表达式`，来抓取没那么直观的信息。
页面与页面之间的关系
我们找到博客园的分页器，打开F12开发者工具，用鼠标定位到分页器：
如图，注意到，每一个页面按钮，都对应了一个不同的链接地址，如第2页，对应的的链接是：/sitehome/p/2，第3页，对应的是：/sitehome/p/3。
博客园首页内容一共有200页，因此只需将在每一页拼接一个$"/sitehome/p/{页面数码}"即可。
代码与优化
根据上面的知识，可以轻松将博客园首页200页数据爬出来：
var http = new HttpClient();
var parser = new HtmlParser();
for (var page = 1; page <= 200; ++page)
{
string pageData = await http.GetStringAsync($"https://www.cnblogs.com/sitehome/p/{page}");
IHtmlDocument doc = await parser.ParseDocumentAsync(pageData);
doc.QuerySelectorAll(".post_item").Select(tag => new
{
Title = tag.QuerySelector(".titlelnk").TextContent,
Page = page,
UserName = tag.QuerySelector(".post_item_foot .lightblue").TextContent,
PublishTime = DateTime.Parse(Regex.Match(tag.QuerySelector(".post_item_foot").ChildNodes[2].TextContent, @"(\d{4}\-\d{2}\-\d{2}\s\d{2}:\d{2})", RegexOptions.None).Value),
CommentCount = int.Parse(tag.QuerySelector(".post_item_foot .article_comment").TextContent.Trim()[3..^1]),
ViewCount = int.Parse(tag.QuerySelector(".post_item_foot .article_view").TextContent[3..^1]),
BriefContent = tag.QuerySelector(".post_item_summary").TextContent.Trim(),
}).Dump(page);
}
运行结果如下：
多线程优化
这个爬虫将200页数据全部爬完，根据我的网速，需要76秒，任务管理器显示如下（接收带宽只有1.7Mbps）：
在.NET/C#中，只需对此代码的for循环修改为LINQ，然后而加以使用Parallel LINQ，即可将代码并行化：
Enumerable.Range(1, 200) // for循环转换为LINQ
.AsParallel() // 将LINQ并行化
.AsOrdered() // 按顺序保存结果（注意并非按顺序执行）
.SelectMany(page =>
{
return Task.Run(async() => // 非异步代码使用async/await，需要包一层Task
{
string pageData = await http.GetStringAsync($"https://www.cnblogs.com/sitehome/p/{page}".Dump());
IHtmlDocument doc = await parser.ParseDocumentAsync(pageData);
return doc.QuerySelectorAll(".post_item").Select(tag => new
{
Title = tag.QuerySelector(".titlelnk").TextContent,
Page = page,
UserName = tag.QuerySelector(".post_item_foot .lightblue").TextContent,
PublishTime = DateTime.Parse(Regex.Match(tag.QuerySelector(".post_item_foot").ChildNodes[2].TextContent, @"(\d{4}\-\d{2}\-\d{2}\s\d{2}:\d{2})", RegexOptions.None).Value),
CommentCount = int.Parse(tag.QuerySelector(".post_item_foot .article_comment").TextContent.Trim()[3..^1]),
ViewCount = int.Parse(tag.QuerySelector(".post_item_foot .article_view").TextContent[3..^1]),
BriefContent = tag.QuerySelector(".post_item_summary").TextContent.Trim(),
});
}).GetAwaiter().GetResult(); // 等待Task执行完毕
})
通过这个非常简单的优化，在我的电脑上，即可将运行时间降低为14.915秒，速度快了5倍！同时任务管理器显示网络下载流量为（16.5Mbps）：
数据简单分析
现在我们得到了博客园首页博客简要数据，我将其保存到桌面的一个json文件中（大家也可以试着保存为其它格式，如数据库中）。当然少不了分析一番。使用LINQPad，可以很轻松地分析这些数据，并生成图表。
分析基础
所有的分析，都基于以下代码：
void Main()
{
var data = JsonConvert.DeserializeObject<List<CnblogsItem>>(
File.ReadAllText(@"C:\Users\sdfly\Desktop\cnblogs.json"));
}
class CnblogsItem
{
public string TItle { get; set; }
public int Page { get; set; }
public string UserName { get; set; }
public DateTime PublishTime { get; set; }
public int CommentCount { get; set; }
public int ViewCount { get; set; }
public string BriefContent { get; set; }
}
我创建了一个CnblogsItem的类，用来反序列号桌面上json文件的数据。返序列化完成后，这些数据保存在data变量中。
什么时间发文章浏览量最高？
Util.Chart(data
.GroupBy(x => x.PublishTime.Hour)
.Select(x => new { Hour = x.Key, ViewCount = 1.0 * x.Sum(v => v.ViewCount) })
.OrderByDescending(x => x.Hour),
x => x.Hour,
y => y.ViewCount).Dump();
结果：
可见，每天上午9点发文章浏览量最高，凌晨3-4点发文章浏览量最低（谁会
在晚上3-4点爬起来看东西呢？）
星期几发的文章多？
Util.Chart(data
.GroupBy(x => x.PublishTime.DayOfWeek)
.Select(x => new { WeekDay = x.Key, ArticleCount = x.Count() })
.OrderBy(x => x.WeekDay),
x => x.WeekDay.ToString(),
y => y.ArticleCount).Dump();
结果：
可见：星期一、二、三的文章最多，星期四、五逐渐冷淡，星期六、星期日最少。——但星期六比星期日又多一点。（是因为996造成的吗？）
哪位大佬发文最多（取前9名）？
Util.Chart(data
.GroupBy(x => x.UserName)
.Select(x => new { UserName = x.Key, ArticleCount = x.Count() })
.OrderByDescending(x => x.ArticleCount)
.Take(9),
x => x.UserName,
y => y.ArticleCount).Dump();
结果：
可见，大佬周国通竟然在前200页博客中，独占54篇，我点开了他的博客(https://www.cnblogs.com/tylerzhou/)看了一下，竟然都有相当的质量——绝无放水可言，深入讲了许多.NET的测试系列教程，确实是大佬！
结语
实际应用的爬虫可能不像博客园这么简单，爬虫如果深入，可以遇到很多很多非常有意思的情况。
今天谨希望通过这个简单的博客园爬虫，让大家多多享受写.NET/C#代码的乐趣?。