以一种"廉价"的方式获取页面的标题(downmoon)

有朋友问到：
“我需要得到一个web page的title，因为这个title一般都比较靠前，只要取得html的前面少量内容就可以了。因为要取得很多个页面的title,如果下载整个html code，肯定比较浪费时间。.net好像没有现成的类可以干这件事情(取得部分html) ，我应该如何去实现？”
一种比较"廉价"(即较小成本条件下)的解决思路：
第一步：取出含有页面title部分的最小集合。这是“廉价”的关键！
第二步：用正则表达式取出<title>和</title>之间的部分即可。
先看下效果：


下面我们来分析：
页面title 一般都在靠近开始处，所以我们从开始读取Stream流，（如果靠近结尾，则如何？）读取到什么地方为止呢？有个比较明显的标志是
</title>
遇到它结束就可以了。
以什么方式读取，我这里选取的是：逐行读取，取到标志符即终止。
方法如下：

#region 获取所需要的页面内容 /// <summary> /// 获取所需要的页面内容 by tony 2009.9,16 /// 邀月(downmoon)：[e-mail] /// <param name="strUrl">所要查找的远程网页地址</param> /// <param name="timeout">超时时长设置，一般设置为8000</param> /// <param name="enterType">是否输出换行符，0不输出，1输出文本框换行</param> /// <param name="EnCodeType">编码方式</param> /// <returns></returns> public static string GetRequestString(string strUrl, int timeout, int enterType, Encoding EnCodeType) { if (strUrl.Equals("about:blank")) return null; ; if (!strUrl.StartsWith("http://") && !strUrl.StartsWith("https://")) { strUrl = "http://" + strUrl; } string strResult = string.Empty; System.IO.StreamReader sr = null; string temp = string.Empty; try { HttpWebRequest myReq = (HttpWebRequest)HttpWebRequest.Create(strUrl); myReq.Timeout = timeout; myReq.UserAgent = "User-Agent:Mozilla/5.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 2.0.40607; .NET CLR 1.1.4322; .NET CLR 3.5.30729)"; myReq.Accept = "*/*"; myReq.KeepAlive = true; myReq.Headers.Add("Accept-Language", "zh-cn,en-us;q=0.5"); HttpWebResponse HttpWResp = (HttpWebResponse)myReq.GetResponse(); if (HttpWResp.StatusCode == System.Net.HttpStatusCode.OK) { StringBuilder strBuilder = new StringBuilder(); Stream myStream = HttpWResp.GetResponseStream(); sr = new StreamReader(myStream, EnCodeType); string tmp = string.Empty; while ((temp = sr.ReadLine()) != null) { strBuilder.Append(temp); //if has </title> then end by <a title="邀月工作室" href="http://blog.csdn.net/downmoon/" mce_href="http://blog.csdn.net/downmoon/" >欢迎与邀月交流,net技术与软件架构</a>(邀月）2009.9.16 tmp = strBuilder.ToString(); if (tmp.IndexOf("</title>") > 0) { break; } if (enterType == 1) { strBuilder.Append("/r/n"); } } strResult = strBuilder.ToString(); return strResult; } return string.Empty; } catch (Exception ex) { //#region Loghandle by Tony 2008.11.21 return strResult; //#endregion } finally { if (sr != null) { sr.Close(); } } } #endregion

 #region 获取所需要的页面内容
        /// <summary>
        /// 获取所需要的页面内容 by tony 2009.9,16   
        /// 邀月(downmoon)：[e-mail]  
        /// <param name="strUrl">所要查找的远程网页地址</param>
        /// <param name="timeout">超时时长设置，一般设置为8000</param>
        /// <param name="enterType">是否输出换行符，0不输出，1输出文本框换行</param>
        /// <param name="EnCodeType">编码方式</param>
        /// <returns></returns>
        public static string GetRequestString(string strUrl, int timeout, int enterType, Encoding EnCodeType)
        {

            if (strUrl.Equals("about:blank")) return null; ;
            if (!strUrl.StartsWith("http://") && !strUrl.StartsWith("https://")) { strUrl = "http://" + strUrl; }
            string strResult = string.Empty;
            System.IO.StreamReader sr = null;
            string temp = string.Empty;
            try
            {
                HttpWebRequest myReq = (HttpWebRequest)HttpWebRequest.Create(strUrl);
                myReq.Timeout = timeout;
                myReq.UserAgent = "User-Agent:Mozilla/5.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 2.0.40607; .NET CLR 1.1.4322; .NET CLR 3.5.30729)";
                myReq.Accept = "*/*";
                myReq.KeepAlive = true;
                myReq.Headers.Add("Accept-Language", "zh-cn,en-us;q=0.5");
                HttpWebResponse HttpWResp = (HttpWebResponse)myReq.GetResponse();
                if (HttpWResp.StatusCode == System.Net.HttpStatusCode.OK)
                {
                    StringBuilder strBuilder = new StringBuilder();
                    Stream myStream = HttpWResp.GetResponseStream();
                    sr = new StreamReader(myStream, EnCodeType);
                    string tmp = string.Empty;
                    while ((temp = sr.ReadLine()) != null)
                    {
                        strBuilder.Append(temp);
                        //if has </title> then end by downmoon(邀月）2009.9.16
                        tmp = strBuilder.ToString();
                        if (tmp.IndexOf("</title>") > 0) { break; }
                        if (enterType == 1) { strBuilder.Append("/r/n"); }
                    }
                    strResult = strBuilder.ToString();
                    return strResult;
                }
                return string.Empty;
            }
            catch (Exception ex)
            {
                //#region Loghandle by Tony 2008.11.21
                return strResult;
                //#endregion
            }
            finally { if (sr != null) { sr.Close(); } }
        }
        #endregion

取出后就是再用正则取出<title>和</title>之间的部分。
这部分浪费了些时间，因为邀月的正则功底不行啊！·
先后试过如下正则表达式：

1 //string strRegEx ="<[^>]*>";
2 //string strRegEx = "<title>.*([^</title>])";
3 //string strRegEx = "<title>(.*?)</title>";
4 //string strRegEx = "<title>.*?</title>";

均不能达到想要的“经济廉价”的效果，最终，找到这个：

public static string GetContextByHtml(string sHtml) { //string regex="(<title[>])(.*)(<//title>)"; string regex = @"(?<=<title.*>)([/s/S]*)(?=</title>)"; System.Text.RegularExpressions.Regex ex = new System.Text.RegularExpressions.Regex(regex, System.Text.RegularExpressions.RegexOptions.IgnoreCase); return ex.Match(sHtml).Value.Trim(); }

  public static string GetContextByHtml(string sHtml)
        {
            //string regex="(<title[>])(.*)(<//title>)";
            string regex = @"(?<=<title.*>)([/s/S]*)(?=</title>)";
            System.Text.RegularExpressions.Regex ex = new System.Text.RegularExpressions.Regex(regex, System.Text.RegularExpressions.RegexOptions.IgnoreCase);
            return ex.Match(sHtml).Value.Trim();
        } 

演示效果如上图：

后续问题：
１、将继续实现代理方式躲过IP；
２、将尝试另外一种通过Request.Filter方式直接替换来实现。
欢迎交流。
助人等于自助!   [e-mail]