高级功能

火车采集器V9插件文档

采集器提供了插件机制，来增强数据采集、数据处理的能力。 目前插件按照功能分为3种：HTTP请求插件、内容数据插件、文件下载插件，下面介绍下C#源码类型的插件。

HTTP请求插件

可以修改HTTP请求前的请求数据（http header）和HTTP完成后的返回数据（response），这个插件包含了2个处理方法。

BeforeRequest(RequestEntry request)

这个方法会在所有HTTP请求前的调用，包括网址采集、内容采集请求，可以通过修改请求来应对一些复杂的网站抓取。

参数介绍：

• request 参数中包含Url、Referer、Cookie、Headers、页面类型等,除HTTP基本属性外，还有包含一些特殊值
  1. request.Properties["PageType"]， 这个属性是页面类型，值为整数类型，包含6种类型
     

     0：起始地址； 1：列表页面； 2：列表页的分页； 3：内容页面； 4：关联多页； 5：内容页的分页；

  2. request.Properties["JobName"]，任务名称
  3. request.Properties["JobID"]，任务ID

request.Properties 属性最好只做读取操作，不要修改，不然会造成无法预料的结果。其他的RequestEntry字段请参考 [文章最后]

AfterResponse(ResponseEntry response)

这个方法在所有HTTP请求完成后调用，可以修改为自己想要的数据，然后交给采集器来处理。

参数介绍：

• response中包含HTTP响应数据，如返回HTML、响应Header
  1. response.RawText`，是返回的HTML代码
  2. response.Url`，请求的Url地址

和 request 一样，response 也包含了 response.Properties["PageType"]、request.Properties["JobName"]、request.Properties["JobID"]，含义相同。

其他的ResponseEntry字段请参考 [文章最后]

示例插件代码：

public class Plugin1 : IHTTPTamper
{
/// <summary>
/// 处理下载前的request
/// </summary>
/// <param name="response"></param>
public void BeforeRequest(RequestEntry request) {
Console.WriteLine("BeforeRequest："+request.Url);
}
/// <summary>
/// 处理下载完成后的http响应,网址、默认页、多页、内容分页
/// </summary>
/// <param name="response"></param>
public void AfterResponse(ResponseEntry response) {
Console.WriteLine("AfterResponse：" + response.Url);
}
}

内容数据插件

通过这个插件可以修改最终的标签数据结果。

内容插件处理方法 Process(ResponseEntry response, Dictionary<string, string> result)

参数介绍：

• response，内容页的响应结果
• result，是标签数据结果，键是标签名称，值是标签数据。

可以修改result中的值，但是不要删除、清空 result 的键，不然保存数据时可能会出错。

示例插件代码：

public class Plugin2 : IResultProcesser
{
/// <summary>
/// 处理采集后的标签结果
/// </summary>
/// <param name="response">默认页面的响应</param>
/// <param name="result">标签结果，键为标签名称，值为标签值</param>
public void Process(ResponseEntry response, Dictionary<string, string> result)
{
Console.WriteLine("Process：" + response.Url);
var m = Regex.Match(response.RawText, "<title>(?<t>[^<]*)");
if (m.Success)
{
Console.WriteLine(response.Url);
}
}
}

文件下载插件

这个插件提供下载文件的相关信息，并且修改其中的某些值。

处理方法：BeforeDownload(RequestEntry request, DownloadFile downloadFile)

参数介绍：

• request 是文件下载HTTP的请求数据，详细参考 [文章最后]RequestEntry
• downloadFile，文件下载的相关属性，包括下载地址、保存路径、HTML中的替换路径等等

示例插件代码：

public class Plugin3 : IFileDownloader
{
/// <summary>
/// 文件下载前的处理方法
/// </summary>
/// <param name="request">文件下载的HTTP请求</param>
/// <param name="downloadFile">下载文件</param>
public void BeforeDownload(RequestEntry request, DownloadFile downloadFile)
{
if (downloadFile.DownlaodUrl.Contains("xxx"))
{
downloadFile.Cancel = true;//取消该文件的下载
}
}
}

RequestEntry 详细字段说明

public class RequestEntry
{
/// <summary>
/// 请求的头信息
/// </summary>
public Dictionary<string, string> Headers { get; set; }
/// <summary>
/// HTTP请求的方式，GET或者POST
/// </summary>
public string Method { get; set; }
/// <summary>
/// 请求的地址
/// </summary>
public string Url { get; set; }
/// <summary>
/// 来源地址
/// </summary>
public string Referer { get; set; }
/// <summary>
/// POST数据，当Method为POST时生效
/// </summary>
public string PostData { get; set; }
/// <summary>
/// 请求编码
/// </summary>
public string Encoding { get; set; }
}

ResponseEntry 详细字段说明

public class ResponseEntry
{   
/// <summary>
/// 页面编码,比如UTF-8,GB2312
/// </summary>
public string ContentEncoding { get; set; }
/// <summary>
/// 页面类型,比如text/plain,text/html,application/xml
/// </summary>
public string ContentType { get; set; }
/// <summary>
/// 响应的HTTP头信息
/// </summary>
public Dictionary<string, string> Headers { get; set; }
/// <summary>
/// POST或者GET
/// </summary>
public string Method { get; set; }
/// <summary>
/// 来源页地址
/// </summary>
public string Referer { get; set; }
/// <summary>
/// 响应地址
/// </summary>
public Uri ResponseUri { get; set; }
/// <summary>
/// HTTP状态代码
/// </summary>
public HttpStatusCode StatusCode { get; set; }
/// <summary>
/// 请求地址
/// </summary>
public string Url { get; set; }
/// <summary>
/// HTTP响应中的原始文本
/// </summary>
public string RawText { get; set; }
}

DownloadFile 详细字段说明

public class DownloadFile
{
/// <summary>
/// 所属的记录ID
/// </summary>
public int ContentId { get; set; }
/// <summary>
/// 原始下载地址
/// </summary>
public string DownlaodUrl { get; set; }
/// <summary>
/// 最终下载地址
/// </summary>
public string FinalDownloadUrl { get; set; }
/// <summary>
/// 文件保存路径
/// </summary>
public string FileName { get; set; }
/// <summary>
/// html中的替换路径
/// </summary>
public string ReplaceUrl { get; set; }
/// <summary>
/// 标签名称
/// </summary>
public string LabelName { get;set; }
/// <summary>
/// 所属的页面地址
/// </summary>
public string PageUrl { get;set; }
/// <summary>
/// 是否取消下载
/// </summary>
public bool Cancel = false;
}