excelvba抓取网页数据(一下就是关于抓取别人网站数据的抓取问题和方法)

　　excelvba抓取网页数据(一下就是关于抓取别人网站数据的抓取问题和方法)

　　我相信所有个人 网站 网站管理员都有捕获他人数据的经验。目前，获取他人网站数据的方式只有两种：

　　一、使用第三方工具，其中最著名的是优采云采集器，这里不再赘述。

　　二、自己写程序来抓包，这种方法需要站长自己写程序，可能需要站长的开发能力。

　　起初，我也尝试使用第三方工具来获取我需要的数据。因为网上流行的第三方工具要么不符合我的要求，要么太复杂，一时不明白怎么用，就干脆决定自己写了。嗯，现在基本上半天就能搞定一个网站（只是程序开发时间，不包括数据采集时间）。

　　经过一段时间的数据爬取生涯，我也遇到了很多困难。最常见的一种是分页数据的爬取。原因是数据分页的形式有很多种。下面我主要介绍三种形式。抓取分页数据的方法，虽然在网上看过很多文章，但是每次拿别人的代码，总是会出现各种各样的问题。以下方式的代码都是正确的。实现，我目前正在使用它。本文中的代码实现是用C#语言实现的。我认为其他语言的原理大致相同。

　　让我们切入正题：

　　第一种方式：URL地址收录分页信息。这种形式是最简单的。使用第三方工具爬取这个表单也很简单。基本上，您不需要编写代码。对我来说，我宁愿花半天时间自己写。懒得学第三方工具的人还是可以自己写代码来实现的；

　　该方法是通过循环生成数据分页的URL地址，如： 这样通过HttpWebRequest访问对应的URL地址，返回对应页面的html文本。接下来的任务是解析字符串并将需要的内容保存到本地数据库；抓取的代码可以参考以下：

　　公共字符串 GetResponseString(字符串 url)

　　{

　　字符串 _StrResponse = "";

　　HttpWebRequest _WebRequest = (HttpWebRequest)WebRequest.Create(url);

　　_WebRequest.UserAgent = "MOZILLA/4.0（兼容；MSIE 7.0；WINDOWS NT 5.2；.NET CLR 1.1.4322；.NET CLR 2.0.50727;.NET CLR 3.0.04506.648;.NET CLR 3.5.21022;. NET CLR 3.0.4506.2152; .NET CLR 3.5.30729)";

　　_WebRequest.Method = "GET";

　　WebResponse _WebResponse = _WebRequest.GetResponse();

　　StreamReader _ResponseStream = new StreamReader(_WebResponse.GetResponseStream(), System.Text.Encoding.GetEncoding("gb2312"));

　　_StrResponse = _ResponseStream.ReadToEnd();

　　_WebResponse.Close();

　　_ResponseStream.Close();

　　返回_StrResponse；

　　}

　　上面的代码可以返回对应页面的html内容的字符串，剩下的工作就是从这个字符串中获取你关心的信息。

　　第二种方式：可能通过网站的开发遇到，它的分页控件通过post的方式将分页信息提交给后台代码，比如.net下Gridview自带的分页功能，点击页面时分页号，你会发现URL地址没有变，但是页码变了，页面的内容也变了。仔细看会发现，当你把鼠标移到每个页码上的时候，状态栏会显示 javascript:__dopostback("gridview","page1") 等等，这个表格其实并不难，因为毕竟，有一个地方可以得到页码的规则。

　　我们知道提交HTTP请求有两种方式：一种是get，另一种是post，第一种是get，第二种是post。具体提交原理无需赘述，不是本文重点

　　爬取这类页面需要注意页面的几个重要元素

　　一、 __VIEWSTATE ，这应该是 .net 独有的，也是 .net 开发人员又爱又恨的东西。当你打开一个网站的页面时，如果你发现了这个东西，并且后面跟着很多乱七八糟的字符，那么这个网站一定要写；

　　二、__dopostback 方法，这是一个页面自动生成的javascript方法，包括两个参数，__EVENTTARGET，__EVENTARGUMENT，这两个参数可以参考页码对应的内容，因为点击翻页的时候，页码信息将传递给这两个参数。

　　三、__EVENTVALIDATION 这也应该是独一无二的

　　不需要太在意这三样东西是干什么的，只要在自己写代码抓取页面的时候记得提交这三个元素就可以了。

　　和第一种方法一样，_dopostback的两个参数必须通过循环拼凑，只有收录页码信息的参数需要拼凑。这里有一点需要注意，就是每次通过Post提交下一页的请求，都应该先获取当前页的__VIEWSTATE信息和__EVENTVALIDATION信息，这样第一页的分页数据就可以使用第一种方法获得。然后，同时取出对应的__VIEWSTATE信息和__EVENTVALIDATION信息，然后循环处理下一页，然后在每页抓取后记录__VIEWSTATE信息和__EVENTVALIDATION信息，提交给下一页post数据用法

　　参考代码如下：

　　for (int i = 0; i < 1000; i++)

　　{

　　System.Net.WebClient WebClientObj = new System.Net.WebClient();

　　System.采集s.Specialized.NameValue采集 PostVars = new System.采集s.Specialized.NameValue采集();

　　PostVars.Add("__VIEWSTATE", "这里是需要提前获取的信息");

　　PostVars.Add("__EVENTVALIDATION", "这里是您需要提前获取的信息");

　　PostVars.Add("__EVENTTARGET", "这里是__dopostback方法对应的参数");

　　PostVars.Add("__EVENTARGUMENT", "这里是__dopostback方法对应的参数");

　　WebClientObj.Headers.Add("ContentType", "application/x-www-form-urlencoded");

　　尝试

　　{

　　byte[] byte1 = WebClientObj.UploadValues("", "POST", PostVars);

　　string ResponseStr = Encoding.UTF8.GetString(byte1);//获取当前页面对应的html文本字符串

　　GetPostValue(ResponseStr);//获取上面需要的信息，比如当前页面对应的__VIEWSTATE，用于抓取下一页

　　SaveMessage(ResponseStr);//将你关心的内容保存到数据库中

　　}

　　捕捉（例外前）

　　{

　　Console.WriteLine(ex.Message);

　　}

　　}

　　第三种方法是最麻烦最恶心的。在这种页面中，您在翻页过程中的任何地方都找不到页码信息。这个方法花了我很多功夫。方法是使用代码来模拟手动翻页。该方法应该能够处理任何形式的翻页数据。原理是用代码模拟手动点击翻页链接，用代码逐页翻页，然后逐页翻页。爬行。