HtmlAgilityPack 抓取中文页面乱码问题的解决方案

来自：http://outofmemory.cn/code-snippet/2002/HtmlAgilityPack-zhuaqu-zhongwen-page-luanma-question-jiejuefangan

HtmlAgilityPack是用C#写的开源Html Parser。不过它的某些方面设计不尽完善，比如，按照其正常模式抓取中文网页，往往获得的是乱码。比如，抓取新华网首页(http://xinhua.org)。模仿HtmlAgilityPack示例，爬取代码如下：

  HtmlWeb hw = new HtmlWeb();  string url = @"http://xinhua.org";  HtmlDocument doc = hw.Load(url);  doc.Save("output.html");

获得的页面用ie打开，是乱码。

穿越HtmlAgilityPack的代码迷宫，最后发现问题出在HtmlWeb类的Get(Uri uri, string method, string path, HtmlDocument doc)方法中。该方法有以下代码：

  HttpWebResponse resp;  try  {      resp = req.GetResponse() as HttpWebResponse;  }  ……  if ((resp.ContentEncoding != null) && (resp.ContentEncoding.Length>0))  {      respenc = System.Text.Encoding.GetEncoding(resp.ContentEncoding);  }  else  {      respenc = null;  }  ……  Stream s = resp.GetResponseStream();  if (s != null)  {      if (UsingCache)      {          // NOTE: LastModified does not contain milliseconds, so we remove them to the file          SaveStream(s, cachePath, RemoveMilliseconds(resp.LastModified), _streamBufferSize);          // save headers          SaveCacheHeaders(req.RequestUri, resp);          if (path != null)          {              // copy and touch the file              IOLibrary.CopyAlways(cachePath, path);              File.SetLastWriteTime(path, File.GetLastWriteTime(cachePath));          }      }      else      {          // try to work in-memory          if ((doc != null) && (html))          {              if (respenc != null)              {                  doc.Load(s, respenc);              }              else              {                  doc.Load(s, true);              }          }      }      resp.Close();  }

其中resp是http请求的response。设置断点发现resp.ContentEncoding为空。于是最后的加载行为便变成了doc.Load(s, true);而这个load方法也可能出了问题，最后得到的是乱码。

解决方法：

不使用HttpWeb，该类不成熟。自己写http请求，代码如下：

HttpWebRequest req;req = WebRequest.Create(new Uri(@"http://xinhua.org")) as HttpWebRequest;req.Method = "GET";WebResponse rs = req.GetResponse();Stream rss = rs.GetResponseStream();String url = @"http://xinhua.org";try{    HtmlDocument doc = new HtmlDocument();    doc.Load(rss);    doc.Save("output.html");}catch (Exception e){    Console.WriteLine(e.Message.ToString());    Console.WriteLine(e.StackTrace);}

上面代码中，doc.Load(…) 使用的编码为System.Text.Encoding.Default，在我机器上为gb2312编码。

HtmlDocument也可以指定编码load stream。获得指定编码有两种方法：

（1）在HttpWebResponse 对象中可以获取html代码中设置的charset； （2）未提供charset的html页面，HtmlDocument提供了自动检测代码的方法DetectEncoding(…)。这一方法俺为测试过，不知道正确性如何.