C#网页采集数据的几种方式(WebClient、WebBrowser和HttpWebRequest/HttpWebResponse)

获取网页数据有很多种方式。在这里主要讲述通过WebClient、WebBrowser和HttpWebRequest/HttpWebResponse三种方式获取网页内容。

这里获取的是包括网页的所有信息。如果单纯需要某些数据内容。可以自己构造函数甄别抠除出来！一般的做法是根据源码的格式，用正则来过滤出你需要的内容部分。

一、通过WebClient获取网页内容

这是一种很简单的获取方式，当然，其它的获取方法也很简单。在这里首先要说明的是，如果为了实际项目的效率考虑，需要考虑在函数中分配一个内存区域。大概写法如下

//MemoryStream是一个支持储存区为内存的流。 byte[] buffer = new byte[1024]; using (MemoryStream memory = new MemoryStream())    {    int index = 1, sum = 0;    while (index * sum < 100 * 1024)    {       index = reader.Read(buffer, 0, 1024);       if (index > 0)       {           memory.Write(buffer, 0, index);            sum += index;       }    }    //网页通常使用utf-8或gb2412进行编码    Encoding.GetEncoding("gb2312").GetString(memory.ToArray());    if (string.IsNullOrEmpty(html))    {        return html;    }    else    {        Regex re = new Regex(@"charset=(? charset[/s/S]*?)[ |']");        Match m = re.Match(html.ToLower());        encoding = m.Groups[charset].ToString();    }    if (string.IsNullOrEmpty(encoding) || string.Equals(encoding.ToLower(), "gb2312"))    {       return html;    }}

好了，现在进入正题，WebClient获取网页数据的代码如下

            //using System.IO;            try            {                WebClient webClient = new WebClient();                webClient.Credentials = CredentialCache.DefaultCredentials;//获取或设置用于向Internet资源的请求进行身份验证的网络凭据                Byte[] pageData = webClient.DownloadData("http://www.360doc.com/content/11/0427/03/1947337_112596569.shtml");                //string pageHtml = Encoding.Default.GetString(pageData);  //如果获取网站页面采用的是GB2312，则使用这句                       string pageHtml = Encoding.UTF8.GetString(pageData); //如果获取网站页面采用的是UTF-8，则使用这句                using (StreamWriter sw = new StreamWriter("e:\\ouput.txt"))//将获取的内容写入文本                {                    htm = sw.ToString();//测试StreamWriter流的输出状态，非必须                    sw.Write(pageHtml);                }            }            catch (WebException webEx)            {                Console.W            }

二、通过WebBrowser控件获取网页内容

相对来说，这是一种最简单的获取方式。拖WebBrowser控件进去，然后匹配下面这段代码

WebBrowser web = new WebBrowser();web.Navigate("http://www.163.com");web.DocumentCompleted += new WebBrowserDocumentCompletedEventHandler(web_DocumentCompleted);void web_DocumentCompleted(object sender, WebBrowserDocumentCompletedEventArgs e){     WebBrowser web = (WebBrowser)sender;     HtmlElementCollection ElementCollection = web.Document.GetElementsByTagName("Table");     foreach (HtmlElement item in ElementCollection)     {         File.AppendAllText("Kaijiang_xj.txt", item.InnerText);     }}

三、使用HttpWebRequest/HttpWebResponse获取网页内容

这是一种比较通用的获取方式。

   public void GetHtml()        {            var url = "http://www.360doc.com/content/11/0427/03/1947337_112596569.shtml";            string strBuff = "";//定义文本字符串，用来保存下载的html            int byteRead = 0;                         HttpWebRequest webRequest = (HttpWebRequest)WebRequest.Create(url);            HttpWebResponse webResponse = (HttpWebResponse)webRequest.GetResponse();            //若成功取得网页的内容，则以System.IO.Stream形式返回，若失败则产生ProtoclViolationException错 误。在此正确的做法应将以下的代码放到一个try块中处理。这里简单处理             Stream reader = webResponse.GetResponseStream();            ///返回的内容是Stream形式的，所以可以利用StreamReader类获取GetResponseStream的内容，并以StreamReader类的Read方法依次读取网页源程序代码每一行的内容，直至行尾（读取的编码格式：UTF8）            StreamReader respStreamReader = new StreamReader(reader,Encoding.UTF8);            ///分段，分批次获取网页源码            char[] cbuffer = new char[1024];            byteRead = respStreamReader.Read(cbuffer,0,256);            while (byteRead != 0)            {                string strResp = new string(char,0,byteRead);                strBuff = strBuff + strResp;                byteRead = respStreamReader.Read(cbuffer,0,256);            }            using (StreamWriter sw = new StreamWriter("e:\\ouput.txt"))//将获取的内容写入文本            {                htm = sw.ToString();//测试StreamWriter流的输出状态，非必须                sw.Write(strBuff);            }        }