主题：[免费开源]教你用狐表做爬虫获取网页元素。狐表HttpClient+第三方xPath分析工具HtmlAgilityPack。用主流的思路爬取网页，获取表格数据，配合狐表的定时器，快速多掌握一门工作业务技术

(快速浏览杰哥分享过的所有经验汇总，点击跳转）

0需求

最近大宗材料价格变大大，客户想每天早上，系统根据贵金属的价格，自动更新采购单据的成本

然后我看了一下之前广为流传的2014年的帖子

[分享]自动获取网页中表数据，保存到狐表TABLE中方法 ，链接：http://foxtable.com/bbs/dispbbs.asp?BoardID=2&ID=49278&skin=0

感觉有点问题：

1它利用了ie内核的WebBrowser去模拟打开网页。IE兼容性很差，稍微新型的网站都是各种js报错，而且IE已经明确被win10抛弃，不是很靠谱。（后来有不少帖子，说这个模拟打开出现报错，卡主了。）

2它利用了GetElementsByTagName("div")和GetElementById("list_elem")，如果页面有大量重名元素，那定位就困难了，不是很靠谱

3它需要开发者有很强的网页dom结构分析能力，才能定位元素，缺乏一种快速定位的方法。我翻了一下论坛，很多人在找元素的时候都迷惑，在发帖询问。

4代码有点冗长，我看到GetElementsByTagName和GetElementById时，想起来原生的JS开发，太痛苦了...这不科学...

解决：于是我重新整理了一下思路，网页爬虫其实是 获取网页源码+dom结构解析，上面的思路是用Ie内核获取网页源码，然后GetElementsByXxx做dom结构解析。

受限于当时狐表没有HttpClient，只能用这种获取。其实在2017年后，多了HttpClient，这种爬虫方法应该升级：

第一步用HttpClient获取网页，第二步然后用xPath去做dom结构解析，效果如下图  (xPath是一种分析网页结构的方法，在python领域非常常见）

此主题相关图片如下：1.png

1简介

爬虫思路：获取网页然后根据dom分析xPath获取相应的元素

1. 我们使用httpClient，获取网页
2. 通过开源的HtmlAgilityPack工具解析Dom
3. 通过浏览器F12的控制台快速得到xPath路径，提取元素，不需要高强度的网页分析能力了

HtmlAgilityPack网友总结的方法：https://www.cnblogs.com/mq0036/p/11705424.html

HtmlAgilityPack官网文档：https://html-agility-pack.net/parser

接下来用颜色表做案例

http://color.jmtianlu168.com/

此主题相关图片如下：4.png

2.添加dll

2.1下载dll

支持.net 4.0：

---

以下内容只有回复后才可以浏览

---

2.2狐表添加引用

把dll拷贝到狐表的程序根目录后，添加引用，并添加命名空间

此主题相关图片如下：5.png

命名空间：HtmlAgilityPack 

别名：Hap

2.3重启狐表

重启后检查引用和命名空间是否还存在，存在的话新dll就开始生效了

有可能没添加成功的，认真检查！！

2.4更新代码精灵

用我提供的help.mdb覆盖到你的狐表，例如C:\foxtable\Professional，因为我为代码精灵增加了很多关于这个爬虫工具的方法和属性

代码精灵的用法，更多可以参考我之前的帖子：

[免费开源]狐表代码精灵管理器,自己改造狐表的官方代码编辑器，增加提示，自定义事件、方法、对象，非常简单，只需要2步！不用依赖任何第三方工具，永久跟着官方升级  

http://www.foxtable.com/bbs/dispbbs.asp?BoardID=2&ID=152491&replyID=&skin=1

3获取网页

3.1使用狐表的HttpClient

Dim hc As New HttpClient("http://color.jmtianlu168.com/")

hc.SkipError=True

hc.Resp '如果中文乱码,请改为 gbk

Dim hd As new Hap.HtmlDocument

hd.LoadHtml(hc.GetData())

Dim s As String = FileSys.ReadAllText("S:\FoxDev\爬虫监控\网页.html",Encoding.UTF8)

Dim hd As new Hap.HtmlDocument

hd.LoadHtml(s)

4获取xPath

4.1基础获取

xPath就是根据dom结构，一层层解析路径，提取元素的方法，基础用法如下：（具体可以去w3cSchool看）

此主题相关图片如下：6.png

我们在谷歌浏览器按F12，打开控制台

此主题相关图片如下：2.png

得到有偏差的xPath

/html/body/table/tbody/tr[4]/td[4]

4.2路径修正

用F12获取的的xPath多数会有偏差，你可以右键看下源代码，dom结构是否真的如此

此主题相关图片如下：3.png

此主题相关图片如下：9.png

其实这里源代码界面能发现，并没有html和body，真实的xPath是

/table/tbody/tr[4]/td[4]

差异的原因：因为chrome会对页面进行一定的修正处理，加上现在很多是ajax异步获取，你用代码请求的dom和当前浏览器展示的dom不一定完全一致，所以这个xPath仅供调试参考，实际上都要进行修正的

调试方法：

可能你会问，我怎么分析啊？

第一步，必须右键查看页面源码，自己分析结构，判断问题出在哪里，最好配合HbuilderX之类的代码整理，更清晰的查看结构

此主题相关图片如下：9.png

第二步：你可以先到xPath在线小工具http://www.ab173.com/other/xpath.php 

把网页源代码粘贴进去，测试下你的xPath，然后利用`步进逼近`

注意的坑：xPath的路径，是从1开始，而不是从0开始，例如div[1]

此主题相关图片如下：8.png

/html

/html/body

/html/body/form

/html/body/form/div[2]

//等等逼近你想要的...

Dim xPath As String = "/table/tbody/tr[4]/td[4]"

Dim hn As Hap.HtmlNode = hd.DocumentNode.SelectSingleNode(xPath)

If hn IsNot Nothing Then

    Output.Show("InnerHtml:" & hn.InnerHtml)

End If

Dim xPath As String = "/table/tbody/tr[4]/td[4]"

'获取该节点的父节点

Dim hn As Hap.HtmlNode = hd.DocumentNode.SelectSingleNode(xPath)

If hn IsNot Nothing Then

hn = hn.ParentNode

Output.Show("Parent的OuterHtml:" &  hn.OuterHtml)

End If

Dim xPath As String = "/table/tbody/tr[4]/td[4]"

Dim hn As Hap.HtmlNode = hd.DocumentNode.SelectSingleNode(xPath)

If hn IsNot Nothing Then

    Dim hars As Hap.HtmlAttributeCollection = hn.Attributes

    Output.Show(hars.Count)

    For Each har As Hap.HtmlAttribute In hars

        Output.Show(har.Name & ":" & har.Value)

    Next

End If

1

style:text-align: center;

Dim xPath As String = "/table/tbody/tr[4]/td[4]"

Dim hn As Hap.HtmlNode = hd.DocumentNode.SelectSingleNode(xPath)

Dim CNodes As Hap.HtmlNodeCollection = hn.ChildNodes

Output.Show(CNodes.Count)

For Each hn2 As Hap.HtmlNode In CNodes

    Output.Show("InnerHtml:" & hn2.InnerHtml)

Next

Dim xPath As String = "/table/tbody/tr[4]/td[4]"

Dim CNodes As Hap.HtmlNodeCollection  = hd.DocumentNode.SelectNodes(xPath)

Output.Show(CNodes.Count)

For Each hn As Hap.HtmlNode In CNodes

    Output.Show("InnerHtml:" & hn.InnerHtml)

Next