如何从 C# + HtmlAgilityPack 上的站点下载所有图像？

Question

我使用的程序有：Teleport、HTTrack、Offline Explorer、DownThemAll 等。所有图片只能找到 - DownThemAll。但是我有很多页面，你要用它来下载商品的图片。 DownThemAll 不适合。

我是用C#+HtmlAgilityPack写程序的，但是她没有找到所有的商品图片

理想情况下，我想要以下内容：

程序加载文件URLS.txt。其中此类引用是：

http://www.onlinetrade.ru/catalogue/televizori-c181/

http://www.onlinetrade.ru/catalogue/3d_ochki-c130/

etc

程序会在这些页面上加载所有商品图片。

你有什么建议？也许我在 C# 上编写代码是错误的？

HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
WebClient wc = new WebClient();
string url = wc.DownloadString("http://www.onlinetrade.ru/catalogue/televizori-c181/");
doc.LoadHtml(url);

HtmlNodeCollection nodes = doc.DocumentNode.SelectNodes("//a[@class='catalog__displayedItem__columnFotomainLnk']/img");

if (nodes != null)
            {
                foreach (HtmlNode node in nodes)
                {                    
                    listBox1.Items.Add(node.Attributes["src"].Value);
                }
            }

Answer 1

你进展顺利。在此解决方案中，我使用的是 LINQ 和 TPL。

本网站使用分页，因此您必须加载所有页面才能下载所有产品图片。

加载第一页 (HtmlNode)
查看此产品目录有多少页
加载其他页面（HtmlNode）

然后你有一个页面集合

加载您要下载的 img 节点
使用图像 url 和新的 WebClient 实例创建一个元组¹
下载图片

public class ImageDownloader
{
    public void DownloadImagesFromUrl(string url, string folderImagesPath)
    {
        var uri = new Uri(url + "/?per_page=50");
        var pages = new List<HtmlNode> { LoadHtmlDocument(uri) };

        pages.AddRange(LoadOtherPages(pages[0], url));

        pages.SelectMany(p => p.SelectNodes("//a[@class='catalog__displayedItem__columnFotomainLnk']/img"))
             .Select(node => Tuple.Create(new UriBuilder(uri.Scheme, uri.Host, uri.Port, node.Attributes["src"].Value).Uri, new WebClient()))
             .AsParallel()
             .ForAll(t => DownloadImage(folderImagesPath, t.Item1, t.Item2));
    }

    private static void DownloadImage(string folderImagesPath, Uri url, WebClient webClient)
    {
        try
        {
            webClient.DownloadFile(url, Path.Combine(folderImagesPath, Path.GetFileName(url.ToString())));
        }
        catch (Exception ex)
        {
            Console.WriteLine(ex.Message);
        }
    }

    private static IEnumerable<HtmlNode> LoadOtherPages(HtmlNode firstPage, string url)
    {
        return Enumerable.Range(1, DiscoverTotalPages(firstPage))
                         .AsParallel()
                         .Select(i => LoadHtmlDocument(new Uri(url + "/?per_page=50&page=" + i)));
    }

    private static int DiscoverTotalPages(HtmlNode documentNode)
    {
        var totalItemsDescription = documentNode.SelectNodes("//div[@class='catalogItemList__numsInWiev']").First().InnerText.Trim();
        var totalItems = int.Parse(Regex.Match(totalItemsDescription, @"\d+$").ToString());
        var totalPages = (int)Math.Ceiling(totalItems / 50d);
        return totalPages;
    }

    private static HtmlNode LoadHtmlDocument(Uri uri)
    {
        var doc = new HtmlDocument();
        var wc = new WebClient();
        doc.LoadHtml(wc.DownloadString(uri));

        var documentNode = doc.DocumentNode;
        return documentNode;
    }
}

你可以这样使用：

DownloadImagesFromUrl("http://www.onlinetrade.ru/catalogue/televizori-c181/", @"C:\temp\televizori-c181\images");

然后下载了178张图片。

下载图片的时候，有时会失败，所以我建议你实施Retry pattern using Polly。

Obs¹: WebClient 不支持并行操作，所以我为每个图像创建一个 url。

如何从 C# + HtmlAgilityPack 上的站点下载所有图像？

How to download all images from a site on the C# + HtmlAgilityPack?

.net

c#

parsing

html-agility-pack