C#教程

关注公众号 jb51net

关闭
首页 > 软件编程 > C#教程 > 抓取网页内容

C# 抓取网页内容的方法

作者:

C# 抓取网页内容的方法,需要的朋友可以参考一下

1、抓取一般内容

需要三个类:WebRequest、WebResponse、StreamReader

所需命名空间:System.Net、System.IO

核心代码:

view plaincopy to clipboardprint?

复制代码 代码如下:

WebRequest request = WebRequest.Create("https://www.jb51.net/");  
WebResponse response = request.GetResponse();  
StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312")); 


WebRequest 类的 Create 为静态方法,参数为要抓取的网页的网址;

      Encoding 指定编码,Encoding 中有属性 ASCII、UTF32、UTF8 等全球通用的编码,但没有 gb2312 这个编码属性,所以我们使用 GetEncoding 获得 gb2312 编码。

示例:

view plaincopy to clipboardprint?

复制代码 代码如下:

<%@ Page Language="C#" %>  
<%@ Import Namespace="System.Net" %>  
<%@ Import Namespace="System.IO" %>  
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">  
<mce:script runat="server"><!--  
    void Page_Load(object sender, EventArgs e)  
    {  
        try  
        {  
            WebRequest request = WebRequest.Create("https://www.jb51.net/");  
            WebResponse response = request.GetResponse();  
            StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312"));  

            tb.Text = reader.ReadToEnd();  

            reader.Close();  
            reader.Dispose();  
            response.Close();  
        }  
        catch (Exception ex)  
        {  
            tb.Text = ex.Message;  
        }  
    }  
// --></mce:script>   
<html xmlns="http://www.w3.org/1999/xhtml" >  
<head runat="server">  
    <title>抓取网页内容 - 千一网络</title>  
</head>  
<body>  
    <form id="form1" runat="server">  
    <div>  
    <asp:TextBox ID="tb" runat="server" Width="500" Height="300" TextMode="multiLine"></asp:TextBox>  
    </div>  
    </form>  
</body>  
</html> 


2 抓取网页内容-图片

    需要四个类:WebRequest、WebResponse、Stream、FileStream。

   示例:

view plaincopy to clipboardprint?

复制代码 代码如下:

<%@ Page Language="C#" %>  
<%@ Import Namespace="System.Net" %>  
<%@ Import Namespace="System.IO" %>  
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">  
<mce:script runat="server"><!--  
    void Page_Load(object sender, EventArgs e)  
    {  
        try  
        {  
            WebRequest request = WebRequest.Create("https://www.jb51.net/images/logo.gif");  
            WebResponse response = request.GetResponse();  
            Stream reader = response.GetResponseStream();  

            FileStream writer = new FileStream("D://logo.gif", FileMode.OpenOrCreate, FileAccess.Write);  
            byte[] buff = new byte[512];  
            int c = 0; //实际读取的字节数   
            while ((c=reader.Read(buff, 0, buff.Length)) > 0)  
            {  
                writer.Write(buff, 0, c);  
            }  
            writer.Close();  
            writer.Dispose();  

            reader.Close();  
            reader.Dispose();  
            response.Close();  

            tb.Text = "保存成功!";  
        }  
        catch (Exception ex)  
        {  
            tb.Text = ex.Message;  
        }  
    }  
// --></mce:script>   
<html xmlns="http://www.w3.org/1999/xhtml" >  
<head runat="server">  
    <title>抓取网页图片并保存 - 千一网络</title>  
</head>  
<body>  
    <form id="form1" runat="server">  
    <div>  
    <asp:TextBox ID="tb" runat="server" Width="500" Height="300" TextMode="multiLine"></asp:TextBox>  
    </div>  
    </form>  
</body>  
</html> 


3 抓取网页内容-Post 数据

   在抓取网页时,有时候,需要将某些数据通过 Post 的方式发送到服务器,将以下代码添加在网页抓取的程序中,以实现将用户名和密码 Post 到服务器

view plaincopy to clipboardprint?

复制代码 代码如下:

string data = "userName=admin&passwd=admin888";  
byte[] requestBuffer = System.Text.Encoding.GetEncoding("gb2312").GetBytes(data);  

request.Method = "POST";  
request.ContentType = "application/x-www-form-urlencoded";  
request.ContentLength = requestBuffer.Length;  
using (Stream requestStream = request.GetRequestStream())  
{  
    requestStream.Write(requestBuffer, 0, requestBuffer.Length);  
    requestStream.Close();  
}  

using (StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312")))  
{  
    string str = reader.ReadToEnd();  
    reader.Close();  


4  抓取网页内容-防止重定向

在抓取网页时,成功登录服务器应用系统后,应用系统可能会通过 Response.Redirect 将网页进行重定向,如果不需要响应这个重定向,那么,我们就不要把 reader.ReadToEnd() 给 Response.Write 出来,就可以了。

5 抓取网页内容-保持登录状态

利用 Post 数据成功登录服务器应用系统后,就可以抓取需要登录的页面了,那么我们就可能需要在多个 Request 间保持登录状态。

首先,我们要使用 HttpWebRequest,而不是 WebRequest。

与 WebRequest 相比,变化的代码是:

view plaincopy to clipboardprint?

复制代码 代码如下:

HttpWebRequest request = (HttpWebRequest)HttpWebRequest.Create(url); 


注意:HttpWebRequest.Create 返回的类型仍是 WebRequest,所以要转化一下。

其次,使用 CookieContainer。

view plaincopy to clipboardprint?

复制代码 代码如下:

System.Net.CookieContainer cc = new System.Net.CookieContainer();  
request.CookieContainer = cc;  
request2.CookieContainer = cc;  


这样 request 和 request2 之间就使用了相同的 Session,如果 request 登录了,那么 request2 也是登录状态。

最后,如何在不同的页面间使用同一个 CookieContainer。

要在不同的页面间使用同一个 CookieContainer,只有把 CookieContainer 加入 Session。

复制代码 代码如下:

view plaincopy to clipboardprint?
Session.Add("ccc", cc); //存   

CookieContainer cc = (CookieContainer)Session["ccc"]; //取 


5 抓取网页内容-把当前会话带到 WebRequest 中

比如说浏览器 B1 去访问服务器端 S1,这会产生一个会话,而服务器端 S2 再用 WebRequest 去访问服务器端 S1,这又会产生一个会话。现在的需求是让 WebRequest 使用浏览器 B1 与 S1 之间的会话,也就是说要让 S1 认为是 B1 在访问 S1,而不是 S2 在访问 S1。

这就要利用 Cookie 了,先在 S1 中取得与 B1 的 SessionID 的 Cookie,再将这个 Cookie 告诉 S2,S2 再将 Cookie 写在 WebRequest 中。

view plaincopy to clipboardprint?

复制代码 代码如下:

WebRequest request = WebRequest.Create("url");  
<SPAN class=key>request.Headers.Add(HttpRequestHeader.Cookie, "ASPSESSIONIDSCATBTAD=KNNDKCNBONBOOBIHHHHAOKDM;");</SPAN>  
WebResponse response = request.GetResponse();  
StreamReader reader = new StreamReader(response.GetResponseStream(), System.Text.Encoding.GetEncoding("gb2312"));  
Response.Write(reader.ReadToEnd());  
reader.Close();  
reader.Dispose();  
response.Close(); 

要说明的是:

本文并不是 Cookie 欺骗,因为 SessionID 是 S1 告诉 S2 的,并不是 S2 窃取的,虽然有些古怪,但这可能在一些特定的应用系统中会有用。
S1 必须要向 B1 写 Session,这样 SessionID 才会保存到 Cookie 中,并且 SessionID 才会保持不变。
在 ASP.NET 中取 Cookie 用 Request.Cookies,本文假设 Cookie 已经取出来。
不同的服务器端语言,SessionID 在 Cookie 中上名称并不一样,本文是 ASP 的 SessionID。
S1 可能不仅仅依靠 SessionID 来判断当前登录,它可能还会辅助于 Referer、User-Agent 等,这取决于 S1 端程序的设计。
其实本文算是本连载中“保持登录状态”的另一种方法。
6 抓取网页内容-如何更改来源 Referer 和 UserAgent

view plaincopy to clipboardprint?

复制代码 代码如下:

SPAN class=caution>HttpWebRequest</SPAN> request = <SPAN class=caution>(HttpWebRequest)HttpWebRequest</SPAN>.Create("http://127.0.0.1/index.htm");  
//request.Headers.Add(HttpRequestHeader.Referer, "https://www.jb51.net/"); // 错误   
//request.Headers[HttpRequestHeader.Referer] = "https://www.jb51.net/"; // 错误   
<SPAN class=caution>request.Referer</SPAN> = "https://www.jb51.net/"; // 正确 


注释掉的两句是不对的,会发生错误:

view plaincopy to clipboardprint?
此标头必须使用适当的属性进行修改。  
参数名: name  
此标头必须使用适当的属性进行修改。参数名: name

UserAgent 类似。

您可能感兴趣的文章:
阅读全文