巧用IronPython做更灵活的网页爬虫
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，最后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
copy $(ProjectDir)\*.py $(TargetDir) copy $(ProjectDir)\*.dtd $(TargetDir)
在baidu.py里首先引用必要的.net程序集
import clr, sys
clr.AddReference("SgmlReaderDll")
clr.AddReference("System.Xml") 完了导入我们需要的类
from Sgml import * from System.Net import * from System.IO import TextReader,StreamReader from System.Xml import * from System.Text.UnicodeEncoding import UTF8
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
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
利用webrequest写一个支持cookie和网页编码的抓网页方法
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
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
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
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
class BaiDu: def __init__(self,encoding): self.cc = self.cc = CookieContainer() self.encoding = encoding self.posts = []
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
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) 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，最后创建一个Baidu的类的实例，并用dynamic关键字引用这个实例
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"); 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