上一章節(jié)中我們實(shí)現(xiàn)了對(duì)優(yōu)酷單頁(yè)面的爬取，簡(jiǎn)單進(jìn)行回顧一下，使用HtmlAgilityPack庫(kù)，對(duì)爬蟲(chóng)的爬取一共分為三步

• 爬蟲(chóng)步驟
  • 加載頁(yè)面
  • 解析數(shù)據(jù)
  • 保存數(shù)據(jù)

繼第一篇文檔后的爬蟲(chóng)進(jìn)階，本文章主要是對(duì)上一篇的進(jìn)階。實(shí)現(xiàn)的功能主要為：
1、爬取電影類別列表
2、循環(huán)每個(gè)類別的電影信息，對(duì)每個(gè)類別的信息分頁(yè)爬取
3、爬取的數(shù)據(jù)保存到數(shù)據(jù)庫(kù)中

一、爬取電影類別列表

使用Chrome瀏覽器，F(xiàn)12，找到當(dāng)前位置，得到當(dāng)前位置的Xpath。我們需要的數(shù)據(jù)是電影的類別編碼和電影類別名稱。

規(guī)則分析：
XPATH路徑為 "http://*[@id='filterPanel']/div/ul/li/a")
類別編碼為A標(biāo)簽Href路徑的內(nèi)容，我們對(duì)其進(jìn)行截取
類別名稱為A標(biāo)簽InnerTest，我們對(duì)其進(jìn)行截取

代碼示例

     //加載web內(nèi)容
         private static readonly string _url = "http://list.youku.com/category/video/c_0.html";

        /// <summary>
        ///     得到所有的類別
        /// </summary>
        public static List<VideoType> GetVideoTypes()
        {
            //加載web內(nèi)容
            var web = new HtmlWeb();
            var doc = web.Load(_url);

            //內(nèi)容解析-獲得所有的類別
            var allTypes = doc.DocumentNode.SelectNodes("http://*[@id='filterPanel']/div/ul/li/a").ToList();

            //類別列表中去掉【全部】這個(gè)選項(xiàng)
            var typeResults = allTypes.Where((u, i) => { return i > 0; }).ToList();

            var reList = new List<VideoType>();
            foreach (var node in typeResults)
            {
                var href = node.Attributes["href"].Value;
                reList.Add(new VideoType
                {
                    Code = href.Substring(href.LastIndexOf("/") + 1, href.LastIndexOf(".") - href.LastIndexOf("/") - 1),
                    Name = node.InnerText
                });
            }

            return reList;
        }

二、爬取每個(gè)類別的總分頁(yè)數(shù)

code 為電影類別編碼
頁(yè)面規(guī)則 $"http://list.youku.com/category/show/{code}.html"
根據(jù)頁(yè)面規(guī)則進(jìn)行爬取：

        /// <summary>
        ///     得到當(dāng)前類別的總頁(yè)數(shù)
        /// </summary>
        public static int GetPageCountByCode(string code)
        {
            var web = new HtmlWeb();
            var doc = web.Load($"http://list.youku.com/category/show/{code}.html");

            //分頁(yè)列表
            var pageList = doc.DocumentNode.CssSelect(".yk-pages li").ToList();
            //得到倒數(shù)第二項(xiàng)
            var lastsecond = pageList[pageList.Count - 2];
            return Convert.ToInt32(lastsecond.InnerText);
        }

三、按照頁(yè)碼得到每個(gè)電影類別的內(nèi)容

根據(jù)分頁(yè)規(guī)則分析出分頁(yè)后的地址為
code 為編碼 pageIndex為第幾頁(yè)
頁(yè)面規(guī)則：http://list.youku.com/category/show/{code}s_1_d_1_p{pageIndex}.html
根據(jù)頁(yè)面規(guī)則進(jìn)行爬取：

    /// <summary>
        ///     得到當(dāng)前類別的內(nèi)容
        /// </summary>
        public static List<VideoContent> GetContentsByCode(string code, int pageIndex)
        {
            var web = new HtmlWeb();
            var doc = web.Load($"http://list.youku.com/category/show/{code}_s_1_d_1_p_{pageIndex}.html");

            var returnLi = new List<VideoContent>();
            var contents = doc.DocumentNode.CssSelect(".yk-col4").ToList();

            foreach (var node in contents)
                returnLi.Add(new VideoContent
                {
                    PageIndex = pageIndex.ToString(),
                    Code = code,
                    Title = node.CssSelect(".info-list .title a").FirstOrDefault()?.InnerText,
                    Hits = node.CssSelect(".info-list li").LastOrDefault()?.InnerText,
                    Href = node.CssSelect(".info-list .title a").FirstOrDefault()?.Attributes["href"].Value,
                    ImgHref = node.CssSelect(".p-thumb img").FirstOrDefault()?.Attributes["Src"].Value
                });

            return returnLi;
        }

四、測(cè)試爬取的結(jié)果

        /// <summary>
        ///     打印得到的內(nèi)容
        /// </summary>
        public static void PrintContent()
        {
            var count = 0;
            foreach (var node in GetVideoTypes())
            {
                var resultLi = new List<VideoContent>();
                //得到當(dāng)前類別總分頁(yè)數(shù)
                var pageCount = GetPageCountByCode(node.Code);
                //遍歷分頁(yè)得到內(nèi)容
                for (var i = 1; i <= pageCount; i++) resultLi.AddRange(GetContentsByCode(node.Code, i));
                Console.WriteLine($"編碼{node.Code} \t 頁(yè)數(shù){pageCount} \t 總個(gè)數(shù){resultLi.Count}");
                count += resultLi.Count;
            }

            Console.WriteLine($"總個(gè)數(shù)為{count}");
        }

代碼下載地址：

https://github.com/happlyfox/FoxCrawler/tree/master/%E5%AD%A6%E4%B9%A0%E7%A4%BA%E4%BE%8B/YouKuCrawler/YouKuCrawlerAsync