C#开发爬虫的知识总结，目前还在更新中。这并不是一个完整的爬虫程序，只是一些示例。
为什么要拿C#开发爬虫项目，因为个人还是比较喜欢C#。C#虽然库少一点，但想要的功能基本还是能实现的。
总结的知识点如果什么错误之处，还恳请大家提个issue指正，一起学习进步♂（￣▽￣）/
-
基础知识
-
网页抓取原理
- 使用套接字来获取网页源码
-
法律与道德约束
- 爬虫协议
- 爬虫协议介绍，以及它的语法规则;
- C#如何获取网站的爬虫协议;
- C#中如何解析爬虫协议;
- 法律相关
- 爬虫协议
-
抓取网页
- HttpWebRequest类的使用
- HttpClient类的使用
- 获取指定url的IP地址
- 获取指定url的网页头信息
- 如何从网页源码中提取页面的编码
-
抓取动态网页
-
WebAPI调用
-
获取实时天气
- 调用中国天气网公开API接口来获取天气
-
获取Bing每日图片
- 调用cn bing API接口来获取Bing每日图片
-
-
获取网页DOM
- 使用HtmlAgilityPack来获取网页的DOM结构
-
使用CSS选择器和XPath选取元素
- CSS选择器
- XPath
-
- 正则表达式的基础知识和基本使用;
- 正则表达式中的分组构造;
- 常用匹配模式;
-
Url抓取(当Url太多时，UI会卡)
- 抓取指定网址的全部链接
- 通过指定深度，抓取子网页的全部链接
- 动态网页链接抓取
- 限定抓取当前页面的子链接
-
图片抓取
- 抓取指定url页面中的图片，通过配置url的页码规则，来进行翻页。
- 自动获取下一页
-
文件下载
- 使用WebClient类下载文件
- 多线程下载文件
- 从文件加载批量下载
-
多线程抓取
-
抓包工具使用
-
模拟登录并获取登录后的内容
- 使用Cookie(实现中)
- 使用Selenium(实现中)
- 说明：示例程序使用的是EdgeDriver，所以需要Windows10系统，如果需要其它浏览器Driver,可自行修改。
- 测试系统：Windows 10 1703 Edge 15.15063.0，如果Edge驱动版本不一致，需要手动更新至对应的版本。
-
必应图片搜索(仅供交流学习使用，请勿用作商业用途)
- 实现必应图片搜索的功能
- 翻页及优化(待更新)
-
爬虫数据存储
-
Berkeley DB
-
SQLite
- 介绍SQLite以及使用方式
-
MongoDB
-
-
小例子-全国家常菜价格统计(仅供交流学习使用，请勿用作商业用途)
- 获取全国城市，以及城市代码
- 抓取家常菜价格
- 生成统计图表
-
小例子-通用抓取
- 电商类网站
- 新闻类网站(待更新)
-
将网页保存为图片/PDF
- 视频下载
- 常规视频下载
- ffmpeg的使用
- blob类型视频下载
- AES加密的m3u8视频下载
- Url Encode/Decode 原理
- 抓包工具Charles的使用
- 使用抓包工具分析网站接口
- 使用抓包工具分析APP接口
- 验证码识别(字符验证码，滑块验证码)
- BloomFilter算法
- NLP基础
- 中文分词
- Lucene.net使用
- 优先级队列实现
- 基本爬虫架构
- 分布式爬虫架构
- 抓取豆瓣书评
- 当抓取的数据到非常大的的数量级时该怎么处理
- 使用代理
Visual Studio 2013 + .Net 4.5
Visual Studio 2015 + .Net 4.5.2
Visual Studio 2017 + .Net 4.7.2
如果没有安装Blend SDK，GAC中没有System.Windows.Interactivity.dll，需要自己引用bin/x64/Debug目录下的System.Windows.Interactivity.dll
编译时可能会显示各种库找不到，Nuget还原下包就可以正常编译了
更新CEF至85.3.130版本后，会出现找不到ChromiumWebBrowser的问题。解决方法是：还原Nuget包后重新打开项目
Berkeley DB需要引用bin/x64/Debug目录下的libdb_dotnet181.dll，运行时还需要libdb_csharp181.dll和libdb181.dll，已置于bin/x64/Debug目录下
