首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >使用ABOT抓取网站地图

使用ABOT抓取网站地图
EN

Stack Overflow用户
提问于 2017-03-03 22:38:14
回答 1查看 704关注 0票数 3

我试着用ABOT抓取一个网站地图。我的代码灵感来自于here

爬网页面完成后,内容的文本为空(Crawler_PageCrawlCompleted中的e.CrawledPage )。此外,SiteMapFinder.GetLinks从未接触过。

请告诉我我的问题在哪里。

代码语言:javascript
复制
using Abot.Core;
using Abot.Crawler;
using Abot.Poco;
using CsQuery.ExtensionMethods;
using System;
using System.Collections.Generic;

namespace WebCrawler
{


public class SiteMapFinder : IHyperLinkParser
{
    private readonly HyperLinkParser _linkParser;
    public SiteMapFinder()
    {
        _linkParser = new AngleSharpHyperlinkParser();
    }

    IEnumerable<Uri> IHyperLinkParser.GetLinks(CrawledPage crawledPage)
    {
        if (crawledPage.HttpWebResponse.ContentType == "text/xml")
        {
            Console.WriteLine(crawledPage.Uri.AbsoluteUri);

        }



        return _linkParser.GetLinks(crawledPage);

    }
}
class Program
{
    static void Main(string[] args)
    {
        SiteMapFinder finder = new SiteMapFinder();
        PoliteWebCrawler crawler = new PoliteWebCrawler(null, null, null, null, null, finder, null, null, null);


        crawler.PageCrawlCompleted += Crawler_PageCrawlCompleted;
        CrawlResult result = crawler.Crawl(new Uri("http://www.example.com/sitemap/"));


    }

    private static void Crawler_PageCrawlCompleted(object sender, PageCrawlCompletedArgs e)
    {
        Console.WriteLine(e.CrawledPage.Uri.AbsoluteUri);
        e.CrawledPage.HttpWebResponse.Headers.AllKeys.ForEach(k => Console.WriteLine($"{k}: {e.CrawledPage.HttpWebResponse.Headers[k]}"));
    }
}

}

EN

回答 1

Stack Overflow用户

回答已采纳

发布于 2017-03-07 05:34:33

好吧,我的问题是在app.config上。应该为downloadableContentTypes添加text/XML

代码语言:javascript
复制
<abot>
    <crawlBehavior
      ....
      ....
      downloadableContentTypes="text/html, text/plain, text/xml"

下面是加载XML和获取站点地图链接的完整代码。

代码语言:javascript
复制
using Abot.Core;
using Abot.Crawler;
using Abot.Poco;
using CsQuery.ExtensionMethods;
using System;
using System.Collections.Generic;
using System.Linq;
using System.Xml;

namespace WebCrawler
{

    public class SiteMapFinder : IHyperLinkParser
    {
        private readonly HyperLinkParser _linkParser;
        public SiteMapFinder()
        {
            _linkParser = new AngleSharpHyperlinkParser();
        }

        IEnumerable<Uri> IHyperLinkParser.GetLinks(CrawledPage crawledPage)
        {
            if (crawledPage.HttpWebResponse.ContentType == "text/xml")
            {
                XmlDocument xml = new XmlDocument();
                xml.LoadXml(crawledPage.Content.Text);

                if (xml.DocumentElement == null) return new Uri[] {};


                XmlNamespaceManager manager = new XmlNamespaceManager(xml.NameTable);
                manager.AddNamespace("s", xml.DocumentElement.NamespaceURI);


                var links = xml.SelectNodes("/s:sitemapindex/s:sitemap", manager);
                if(links == null) return new Uri[] { };
                return links
                        .Cast<XmlNode>()
                        .Select(x => new Uri(x.InnerText));




            }



            return _linkParser.GetLinks(crawledPage);

        }
    }
    class Program
    {
        static void Main(string[] args)
        {
            SiteMapFinder finder = new SiteMapFinder();
            PoliteWebCrawler crawler = new PoliteWebCrawler(null, null, null, null, null, finder, null, null, null);


            crawler.PageCrawlCompleted += Crawler_PageCrawlCompleted;
            CrawlResult result = crawler.Crawl(new Uri("http://tenders.rfpalertservices.com/sitemap/"));


        }

        private static void Crawler_PageCrawlCompleted(object sender, PageCrawlCompletedArgs e)
        {
            Console.WriteLine(e.CrawledPage.Uri.AbsoluteUri);
            e.CrawledPage.HttpWebResponse.Headers.AllKeys.ForEach(k => Console.WriteLine($"{k}: {e.CrawledPage.HttpWebResponse.Headers[k]}"));
        }
    }
}
票数 2
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/42581658

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档