您的位置:首页 > 编程学习 > ASP.NET > 正文

ASP.NET抓取网页内容

更多 时间:2014-9-9 类别:编程学习 浏览量:1722

ASP.NET抓取网页内容

ASP.NET抓取网页内容

一、ASP.NET 使用HttpWebRequest抓取网页内容

 

这种方式抓取某些页面会失败

不过,有时候我们会发现,这个程序在抓取某些页面时,是获不到所需的内容的,有时候甚至返回404的错误提示页,这是什么原因呢?

其实,很多人都忽略了一个问题,那就是服务器默认的浏览器问题。有的服务器默认的浏览器是手机浏览器,那么,当我抓取这个服务器下的网页是,就相当于用手机浏览器来打开网页,而如果要抓取的目标网页没有相应的手机网页的话,就会返回意想不到的结果,有的返回404错误提示页,有的返回403错误提示页,有的甚至跳转到其他网页去了。

 

如何解决这个问题?

要解决这个问题,其实很简单,我们只需要在程序里指定使用的浏览器的即可,即是设置UserAgent的参数值。

 

完整代码:

  •  
  • C# 代码   复制
  • 
            /// <summary>方法一:比较推荐
            /// 用HttpWebRequest取得网页源码
            /// 对于带BOM的网页很有效,不管是什么编码都能正确识别
            /// </summary>
            /// <param name="url">网页地址" </param>
            /// <returns>返回网页源文件</returns>
            public static string GetHtmlSource2(string url)
            {
                //处理内容
                string html = "";
                HttpWebRequest request = (HttpWebRequest)WebRequest.Create(url);
                request.Accept = "*/*"; //接受任意文件
                request.UserAgent = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; .NET CLR 1.1.4322)"; // 
                request.AllowAutoRedirect = true;//是否允许302
                //request.CookieContainer = new CookieContainer();//cookie容器,
                request.Referer = url; //当前页面的引用
                HttpWebResponse response = (HttpWebResponse)request.GetResponse();
                Stream stream = response.GetResponseStream();
                StreamReader reader = new StreamReader(stream, Encoding.Default);
                html = reader.ReadToEnd();
                stream.Close();
                return html;
            }
    
    		
  •  

    二、ASP.NET 使用 WebResponse 抓取网页内容

  •  
  • C# 代码   复制
  • 
            public static string GetHttpData2(string Url)
            {
                string sException = null;
                string sRslt = null;
                WebResponse oWebRps = null;
                WebRequest oWebRqst = WebRequest.Create(Url);
                oWebRqst.Timeout = 50000;
                try
                {
                    oWebRps = oWebRqst.GetResponse();
                }
                catch (WebException e)
                {
                    sException = e.Message.ToString();
                }
                catch (Exception e)
                {
                    sException = e.ToString();
                }
                finally
                {
                    if (oWebRps != null)
                    {
                        StreamReader oStreamRd = new StreamReader(oWebRps.GetResponseStream(), Encoding.GetEncoding("utf-8"));
                        sRslt = oStreamRd.ReadToEnd();
                        oStreamRd.Close();
                        oWebRps.Close();
                    }
                }
                return sRslt;
            }
    
    		
  •  

    三、ASP.NET 使用 WebClient 抓取网页内容

  •  
  • C# 代码   复制
  • 
            /// <param name="url">/要访问的网站地址</param>
            /// <param name="charSets">目标网页的编码,如果传入的是null或者"",那就自动分析网页的编码</param>
            /// <returns></returns>
            public static string getHtml(string url, params  string[] charSets)
            {
                try
                {
                    string charSet = null;
                    if (charSets.Length == 1)
                    {
                        charSet = charSets[0];
                    }
                    WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
                    // 需要注意的:
                    //有的网页可能下不下来,有种种原因比如需要cookie,编码问题等等
                    //这是就要具体问题具体分析比如在头部加入cookie
                    // webclient.Headers.Add("Cookie", cookie);
                    //这样可能需要一些重载方法.根据需要写就可以了
                    //获取或设置用于对向 Internet 资源的请求进行身份验证的网络凭据.
                    myWebClient.Credentials = CredentialCache.DefaultCredentials;
                    //如果服务器要验证用户名,密码
                    //NetworkCredential mycred = new NetworkCredential(struser, strpassword);
                    //myWebClient.Credentials = mycred;
                    //从资源下载数据并返回字节数组.(加@是因为网址中间有"/"符号)
                    byte[] myDataBuffer = myWebClient.DownloadData(url);
                    string strWebData = Encoding.Default.GetString(myDataBuffer);
                    //获取网页字符编码描述信息
                    Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)", RegexOptions.IgnoreCase | RegexOptions.Multiline);
                    string webCharSet = charSetMatch.Groups[2].Value;
                    if (charSet == null || charSet == "")
                        charSet = webCharSet;
                    if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)
                    {
                        strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);
                    }
                    else
                    {
                        strWebData = Encoding.GetEncoding("utf-8").GetString(myDataBuffer);
                    }
                    return strWebData;
                }
                catch (Exception e) { return ""; }
            }
    
    		
  •  

    标签:Request
    您可能感兴趣