利用IronPython做更灵活的网页爬虫

　　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，虽然支持自定义Reference头，又支持cookie，解析页面一般都是用正则，但是对方网站结构一变，还得重新改代码，重新编译，发布。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。

如何利用IronPython把抓取和分析的逻辑做成Python脚本
　　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) 

import clr, sys  
clr.AddReference("SgmlReaderDll")  
clr.AddReference("System.Xml")  

from Sgml import *  
from System.Net import *  
from System.IO import TextReader,StreamReader  
from System.Xml import *  
from System.Text.UnicodeEncoding import UTF8  

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)      
eturn doc  

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.GetResponseStre(),            
   UTF8.GetEncoding(encoding))            
   return reader  

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  

class BaiDu:  
    def __init__(self,encoding):  
        self.cc = self.cc = CookieContainer()  
             self.encoding = encoding 
             self.posts = []     

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)  

Dictionary<string, object> options = new Dictionary<string, object>();      
  options["Debug"] = true;            
  ScriptEngine engine = Python.CreateEngine(options);            
  ScriptScope scope = engine.ExecuteFile("baidu.py");            
  dynamic baidu = engine.Operations.Invoke(scope.GetVariable("BaiDu"), "GBK");  

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);             
   }  

 【编辑推荐】

1. 高性能ASP.NET站点构建之细节决定成败
2. Mono 2010 跨平台的.NET运行环境发布了
3. ASP.NET MVC 3 新特性全解析
4. 手把手教你实现.NET程序打包