上一章节中我们实现了对优酷单页面的爬取，简单进行回顾一下，使用HtmlAgilityPack库，对爬虫的爬取一共分为三步

• 爬虫步骤
  • 加载页面
  • 解析数据
  • 保存数据

继第一篇文档后的爬虫进阶，本文章主要是对上一篇的进阶。实现的功能主要为：

1、爬取电影类别列表 2、循环每个类别的电影信息，对每个类别的信息分页爬取 3、爬取的数据保存到数据库中

一、爬取电影类别列表

使用Chrome浏览器，F12，找到当前位置，得到当前位置的Xpath。我们需要的数据是电影的类别编码和电影类别名称。

规则分析：

XPATH路径为 "//*[@id='filterPanel']/div/ul/li/a") 类别编码为A标签Href路径的内容，我们对其进行截取 类别名称为A标签InnerTest，我们对其进行截取

代码示例

//加载web内容         private static readonly string _url = "http://list.youku.com/category/video/c_0.html";        /// 
        ///     得到所有的类别        /// 
        public static List
     
       GetVideoTypes()        {            //加载web内容            var web = new HtmlWeb();            var doc = web.Load(_url);            //内容解析-获得所有的类别            var allTypes = doc.DocumentNode.SelectNodes("//*[@id='filterPanel']/div/ul/li/a").ToList();            //类别列表中去掉【全部】这个选项            var typeResults = allTypes.Where((u, i) => { return i > 0; }).ToList();            var reList = new List
      
       ();            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、爬取每个类别的总分页数

code 为电影类别编码

页面规则 $"{code}.html" 根据页面规则进行爬取：

/// 
        ///     得到当前类别的总页数        /// 
        public static int GetPageCountByCode(string code)        {            var web = new HtmlWeb();            var doc = web.Load($"http://list.youku.com/category/show/{code}.html");            //分页列表            var pageList = doc.DocumentNode.CssSelect(".yk-pages li").ToList();            //得到倒数第二项            var lastsecond = pageList[pageList.Count - 2];            return Convert.ToInt32(lastsecond.InnerText);        }

三、按照页码得到每个电影类别的内容

根据分页规则分析出分页后的地址为

code 为编码 pageIndex为第几页 页面规则：{code}s_1_d_1_p{pageIndex}.html 根据页面规则进行爬取：

/// 
        ///     得到当前类别的内容        /// 
        public static List
     
       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
      
       ();            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、测试爬取的结果

/// 
        ///     打印得到的内容        /// 
        public static void PrintContent()        {            var count = 0;            foreach (var node in GetVideoTypes())            {                var resultLi = new List
     
      ();                //得到当前类别总分页数                var pageCount = GetPageCountByCode(node.Code);                //遍历分页得到内容                for (var i = 1; i <= pageCount; i++) resultLi.AddRange(GetContentsByCode(node.Code, i));                Console.WriteLine($"编码{node.Code} \t 页数{pageCount} \t 总个数{resultLi.Count}");                count += resultLi.Count;            }            Console.WriteLine($"总个数为{count}");        }
     

代码下载地址：

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