技术笔记｜从零点博客爬虫实战：C# 结合正则与SQL预处理语句的避坑全解

最近在折腾自己的技术栈，想用 C# 做一个针对特定博客源码（类似 EMLOG 架构）的数据监控系统。中间踩了不少坑，尤其是涉及到 MySQL 数据库安全和 正则表达式 解析的时候。今天就把这个 技术笔记 整理出来，希望能帮到同样在开发 在线工具 或做接口开发的朋友。

一、项目背景与架构思路

我们的目标是构建一个轻量级的数据采集器，能够解析目标网站的 HTML/CSS/JS 结构，提取出核心内容，并安全地存入 MySQL 数据库。很多人做爬虫喜欢用 PHP，但我也尝试用 C# 重写了一遍，感觉在处理并发和接口开发上，C# 的优势更明显。

二、前端解析与正则提取实战

拿到目标页面的源码后，第一件事就是分析 DOM 结构。在 零点博客 这种系统里，文章标题和内容通常会被 div 标签包裹，class 名字具有规律性。

这里必须提到 正则表达式 的威力，但一定要注意性能。不要在循环里频繁构建正则对象：

// 错误示范：在循环里编译正则，效率极低
for (int i = 0; i < list.Count; i++) {
    Regex rx = new Regex(@"<h1>(.+?)</h1>"); // 每次循环都编译
}

// 正确示范：实例化一次，复用
var titlePattern = new Regex(@"<h1[^>]*>(?<title>[^<]+)</h1>");
var match = titlePattern.Match(htmlContent);
string title = match.Groups["title"].Value;

三、后端逻辑与 SQL 注入防护

数据提取只是第一步，如何存入 MySQL 才是重头戏。之前的旧代码经常看到拼接 SQL 的写法，这是大忌。为了防止 SQL注入，必须使用预处理语句。

在 C# 中，我们通常使用 SqlCommand 配合 Parameters：

string sql = "INSERT INTO blog_posts (title, content, create_time) VALUES (@Title, @Content, @Time)";
using (SqlConnection conn = new SqlConnection(connectionString))
{
    conn.Open();
    using (SqlCommand cmd = new SqlCommand(sql, conn))
    {
        // 核心：使用参数化查询，杜绝注入
        cmd.Parameters.AddWithValue("@Title", title);
        cmd.Parameters.AddWithValue("@Content", content);
        cmd.Parameters.AddWithValue("@Time", DateTime.Now);

        cmd.ExecuteNonQuery();
    }
}

这一步不仅是安全，也是为了方便 JSON/XML 数据解析。我们将数据处理好后，以 JSON 格式返回给前端，方便后续做数据迁移或展示。

四、总结与复盘

通过这次实战，我深刻体会到：

• HTML/CSS/JS 是前端解析的基础，理解其结构是写爬虫的前提。
• C# 结合 正则表达式 在处理非结构化数据时依然强大，但要优化性能。
• SQL注入防护 必须写入基因，预处理语句是最后的一道防线。
• 不管是做 EMLOG 插件还是独立接口，数据安全永远是第一位。

这套流程我已经封装成一个通用的 在线工具 模板，后续如果还有新的 底层拆解 会继续更新在技术笔记里。代码已开源在 Github，感兴趣的朋友可以拿来参考复用。