开源高性能.NET爬虫框架Abot用法示例

Abot简介

Abot 是一个开源的 C# 网络爬虫框架，它的特点是速度快和灵活。 它负责低级管道（多线程、http 请求、调度、链接解析等）。开发者只需要注册事件即可处理页面数据。

功能特性

• 免费开源
• 轻量级，速度快
• 支持定制
• 无依赖

Abot用法示例

使用 Nuget 安装 Abot

PM> Install-Package Abot

下面是一些Abot代码示例

private static async Task DemoSimpleCrawler()
{
var config = new CrawlConfiguration
 {
// 爬取 10 页
 MaxPagesToCrawl = 10, 
// 延迟 3 秒
 MinCrawlDelayPerDomainMilliSeconds = 3000
 };
var crawler = new PoliteWebCrawler(config);

// 监听记录日志
 crawler.PageCrawlCompleted += PageCrawlCompleted;// 

var crawlResult = await crawler.CrawlAsync(new Uri("https://google.com"));
}

private static async Task DemoSinglePageRequest()
{
var pageRequester = new PageRequester(new CrawlConfiguration(), new WebContentExtractor());

var crawledPage = await pageRequester.MakeRequestAsync(new Uri("http://google.com"));
 Log.Logger.Information("{result}", new
 {
 url = crawledPage.Uri,
 status = Convert.ToInt32(crawledPage.HttpResponseMessage.StatusCode)
 });
}

全局配置

Abot 的 Abot2.Poco.CrawlConfiguration 类有大量的配置选项, 你可以根据自己的需要进行配置。

var crawlConfig = new CrawlConfiguration();
crawlConfig.CrawlTimeoutSeconds = 100;
crawlConfig.MaxConcurrentThreads = 10;
crawlConfig.MaxPagesToCrawl = 1000;
crawlConfig.UserAgentString = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36";
crawlConfig.ConfigurationExtensions.Add("SomeCustomConfigValue1", "1111");
crawlConfig.ConfigurationExtensions.Add("SomeCustomConfigValue2", "2222");
etc...

注册事件

你可以注册 Abot的执行事件，来查看爬虫执行的每一个步骤。

crawler.PageCrawlStarting += crawler_ProcessPageCrawlStarting;
crawler.PageCrawlCompleted += crawler_ProcessPageCrawlCompleted;
crawler.PageCrawlDisallowed += crawler_PageCrawlDisallowed;
crawler.PageLinksCrawlDisallowed += crawler_PageLinksCrawlDisallowed;

Abot GitHub地址

https://github.com/sjdirect/abot