C# .net 抓取网页内容

来源：互联网发布：淘宝秒杀图片大全编辑：程序博客网时间：2024/04/29 07:28

ASP.NET 中抓取网页内容是非常方便的，而其中更是解决了 ASP 中困扰我们的编码问题。

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：

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。

private string GetGeneralContent(string strUrl)
    {
        string strMsg = string.Empty;
        try
        {
            WebRequest request = WebRequest.Create(strUrl);
            WebResponse response = request.GetResponse();
            StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312"));

            strMsg = reader.ReadToEnd();

            reader.Close();
            reader.Dispose();
            response.Close();
        }
        catch
        { }
        return strMsg;
    }

2、抓取图片或其它二进制文件（如文件）需要四个类：WebRequest、WebResponse、Stream、FileStream 所需命名空间：System.Net、System.IO 核心代码：用Stream读取

private string GetFileContent(string strUrl)
    {
        string strMsg = string.Empty;
        try
        {
            WebRequest request = WebRequest.Create(strUrl); 
            WebResponse response = request.GetResponse(); 
            Stream reader = response.GetResponseStream(); 
            
            //可根据实际保存为具体文件
            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();

            strMsg = "保存成功";
        }
        catch
        { }
        return strMsg;
    }

3、抓取网页内容 POST方式在抓取网页时，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：

 private string GetPostContent(string strUrl)
    {
        string strMsg = string.Empty;
        try
        {
            string data = "userName=admin&passwd=admin888"; 
            byte[] requestBuffer = System.Text.Encoding.GetEncoding("gb2312").GetBytes(data);

            WebRequest request = WebRequest.Create(strUrl);
            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(); 
            }

            WebResponse response = request.GetResponse();
            using (StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312"))) 
            {
                strMsg = reader.ReadToEnd(); 
                reader.Close(); 
            }
        }
        catch
        { }
        return strMsg;
    }

4、ASP.NET 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、ASP.NET 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：

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

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

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。

Session.Add("ccc", cc); //存 
CookieContainer cc = (CookieContainer)Session["ccc"]; //取Session

如：

HttpWebRequest request = (HttpWebRequest)HttpWebRequest.Create(strUrl);
            
            //同一页面
            //HttpWebRequest request2 = (HttpWebRequest)HttpWebRequest.Create(strUrl);
            //System.Net.CookieContainer cc = new CookieContainer();
            //request.CookieContainer = cc;
            //request2.CookieContainer = cc;
            //不同页面,具体使用时需要将request,request2分开
            object obj = Session["ccc"];
            if (obj == null)
            {
                CookieContainer cc = new CookieContainer();
                //requestr的保存
                Session.Add("ccc", cc);
            }
            string strUrl2 = "";
            HttpWebRequest request2 = (HttpWebRequest)HttpWebRequest.Create(strUrl2);
            //取出来
            CookieContainer cc2 = (CookieContainer)Session["ccc"];
            request2.CookieContainer = cc2;
            //再进行下一步处理

6、ASP.NET 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。

 WebRequest request = WebRequest.Create("url");
 request.Headers.Add(HttpRequestHeader.Cookie, "ASPSESSIONIDSCATBTAD=KNNDKCNBONBOOBIHHHHAOKDM;");
 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。

7、ASP.NET 抓取网页内容－如何更改来源 Referer 和 UserAgent

HttpWebRequest request = (HttpWebRequest)HttpWebRequest.Create("http://127.0.0.1/index.htm"); 
request.Referer = "http://www.csdn.net/";
request.UserAgent = "要设置的标头";
//下一步的处理

几种方式比较：

1.使用WebClient下载:

//...
//这里是WebClient需要使用的命名空间
using System.Net;
//...
WebClient wbDown = new WebClient();
string strResult = wbDown.DownloadString("http://www.baidu.com/");
//OK,strResult就是下载到的网页源代码
//...

优点:方便,快捷,直接调用System.Net.WebClient就可以进行下载,大部分网页都可以下载下来

缺点:如果遇到需要用户名名和密码的网站,那就很麻烦了.

2.使用HttpWebRequest和HttpWebResponse

//...
using System.Net;
using System.IO;
//引用的命名空间
string strUrl = "http://www.baidu.com/";
HttpWebRequest Request = (HttpWebRequest)WebRequest.Create(strUrl);
HttpWebResponse Response = (HttpWebResponse)Request.GetResponse();
StreamReader sr = new StreamReader(Response.GetResponseStream(), System.Text.Encoding.GetEncoding("gb2312"));
string strResult = sr.ReadToEnd();
//...

优点:灵活性比较大,可以下载多种数据,设置以后可以下载带用户名密码的网页,可以传递cookie等;

缺点:代码比较多,不太优雅,建议封装后使用.

3.使用WebBrowser

WebBrower相当于一个小型的或者 mini IE,你可以在窗体中显示这个控件,然后查看具体的网页,而前面几种却不可以.当然,如果你愿意,也可以把它隐藏起来.

i)隐藏WebBrowser

//...
string Url = @"http://www.baidu.com/";
WebBrowser wb = new WebBrowser()
{
Url = new Uri(Url)
};
while (!wb.DocumentText.Contains("</html>"))
{
if(DialogResult.OK == MessageBox.Show("数据下载中,请稍等..."))
continue;
}
string strResult = wb.DocumentText;
//...

ii)显示WebBrowser

这个就不多说了,拖控件,改Url,你懂得.网页源代码 = 控件名.DocumentText.

优点:WebBrowser的优点有很多,比如可以查看网页的内容,特殊网页也能抓取...

缺点:拖着这么大一个控件,着实有点累赘...