网页抓取数据并分析，特别包括分页数据的抓取

[csharp] 

包括8个按钮，每个按钮下的代码都可运行（第5、6个可能需要调试一下）。  

[csharp] 

有基本的页面抓取，不含分页数据的；  

[csharp 

有含分页数据，且【下一页】的链接是网址的；  

[csharp] 

有含分页数据，且【下一页】的链接是<span style="font-size:12px;color:#000000;">__doPostBack；</span>  

[csharp] 

<span style="font-size:12px;">有含分页数据，且【下一页】的属性是.gif，可通过F12找到href的。</span>  

[csharp] 

   

[csharp]  

参考网址：<a href="http://www.cnblogs.com/ceachy/articles/CSharp_Retrive_Page_Document.html">http://www.cnblogs.com/ceachy/articles/CSharp_Retrive_Page_Document.html</a>  

[csharp] 

   

[csharp]  

<a href="http://www.cnblogs.com/ghfsusan/archive/2010/05/26/1744820.html">http://www.cnblogs.com/ghfsusan/archive/2010/05/26/1744820.html</a>  

[csharp]  

   

[csharp]  

   

[csharp]  

using System;  

using System.Collections.Generic;  

using System.ComponentModel;  

using System.Data;  

using System.Drawing;  

using System.Linq;  

using System.Text;  

using System.Windows.Forms;  

  

using System.IO;  

using  System.Net;  

  

namespace WindowsFormsApplication1  

{  

    public partial class Form1 : Form  

    {  

        public Form1()  

        {  

            InitializeComponent();  

        }  

  

        //private void button1_Click(object sender, EventArgs e)  

        //{  

        //    MessageBox.Show("hello world.");  

        //}  

  

        //WebBrowser web1 = new WebBrowser();   

        //web1.Navigate("http://www.xjflcp.com/ssc/");   

        //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);   

        //    }   

        //}  

  

          

        //根据Url地址得到网页的html源码   

        private string GetWebContent(string Url)   

        {   

            string strResult="";   

            try   

            {   

                HttpWebRequest request = (HttpWebRequest)WebRequest.Create(Url); //声明一个HttpWebRequest请求   

                request.Timeout = 30000; //设置连接超时时间   

                request.Headers.Set("Pragma", "no-cache");   

                HttpWebResponse response = (HttpWebResponse)request.GetResponse();   

                Stream streamReceive = response.GetResponseStream();   

                Encoding encoding = Encoding.GetEncoding("GB2312");   

                StreamReader streamReader = new StreamReader(streamReceive, encoding);   

                strResult = streamReader.ReadToEnd();   

            }   

            catch   

            {   

                MessageBox.Show("出错");   

            }   

            return strResult;   

        }   

        //为了使用HttpWebRequest和HttpWebResponse，需填名字空间引用 using System.Net;   

        //以下是程序具体实现过程：   

        private void button1_Click(object sender, EventArgs e)   

        {  

            //要抓取的URL地址  

            string Url = "http://list.mp3.baidu.com/topso/mp3topsong.html?id=1#top2";  

            //得到指定Url的源码  

            string strWebContent = GetWebContent(Url);  

            richTextBox1.Text = strWebContent;  

            //取出和数据有关的那段源码  

            int iBodyStart = strWebContent.IndexOf("<body", 0);  

            int iStart = strWebContent.IndexOf("歌曲TOP500", iBodyStart);  

            int iTableStart = strWebContent.IndexOf("<table", iStart);  

            int iTableEnd = strWebContent.IndexOf("</table>", iTableStart);  

            string strWeb = strWebContent.Substring(iTableStart, iTableEnd - iTableStart + 8);  

            //生成HtmlDocument  

            WebBrowser webb = new WebBrowser();  

            webb.Navigate("about:blank");  

            HtmlDocument htmldoc = webb.Document.OpenNew(true);  

            htmldoc.Write(strWeb);  

            HtmlElementCollection htmlTR = htmldoc.GetElementsByTagName("TR");  

            foreach (HtmlElement tr in htmlTR)  

            {  

                string strID = tr.GetElementsByTagName("TD")[0].InnerText;  

                string strName = tr.GetElementsByTagName("TD")[1].InnerText;  

                string strSinger = tr.GetElementsByTagName("TD")[1].InnerText;  

                //插入DataTable  

                strID = strID.Replace(".", "");  

                //AddLine(strID, strName, strSinger, "0");  

  

                //string strID = tr.GetElementsByTagName("TD")[0].InnerText;  

                //string strName = SplitName(tr.GetElementsByTagName("TD")[1].InnerText, "MusicName");  

                //string strSinger = SplitName(tr.GetElementsByTagName("TD")[1].InnerText, "Singer");  

                ////插入DataTable  

                //strID = strID.Replace(".", "");  

                //AddLine(strID, strName, strSinger, "0");  

  

                //string strID1 = tr.GetElementsByTagName("TD")[2].InnerText;  

                //string strName1 = SplitName(tr.GetElementsByTagName("TD")[3].InnerText, "MusicName");  

                //string strSinger1 = SplitName(tr.GetElementsByTagName("TD")[3].InnerText, "Singer");  

                ////插入DataTable  

                //strID1 = strID1.Replace(".", "");  

                //AddLine(strID1, strName1, strSinger1, "0");  

  

                //string strID2 = tr.GetElementsByTagName("TD")[4].InnerText;  

                //string strName2 = SplitName(tr.GetElementsByTagName("TD")[5].InnerText, "MusicName");  

                //string strSinger2 = SplitName(tr.GetElementsByTagName("TD")[5].InnerText, "Singer");  

                ////插入DataTable  

                //strID2 = strID2.Replace(".", "");  

                //AddLine(strID2, strName2, strSinger2, "0");  

            }  

            //插入数据库  

            //InsertData(dt);  

  

            //dataGridView1.DataSource = dt.DefaultView;  

        }  

  

        private void button2_Click(object sender, EventArgs e)  

        {  

            try {  

                WebClient MyWebClient = new WebClient();  

                MyWebClient.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 = MyWebClient.DownloadData("http://bbs.cup.edu.cn/cupbbs/ThreadList.aspx?fid=51"); //从指定网站下载数据  

                //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  

                Console.WriteLine(pageHtml);//在控制台输入获取的内容  

                using (StreamWriter sw = new StreamWriter("C:\\Users\\yuan\\Desktop\\ouput.html"))//将获取的内容写入文本  

                {  

                    sw.Write(pageHtml);  

                }  

                Console.ReadLine(); //让控制台暂停,否则一闪而过了               

            }  

            catch(WebException webEx) {  

                Console.WriteLine(webEx.Message.ToString());  

            }  

        }  

  

        void web_DocumentCompleted(object sender, WebBrowserDocumentCompletedEventArgs e)  

        {  

            WebBrowser web = (WebBrowser)sender;  

            HtmlElementCollection ElementCollection = web.Document.GetElementsByTagName("Table");  

            foreach (HtmlElement item in ElementCollection)  

            {  

                File.AppendAllText("C:\\Users\\yuan\\Desktop\\ouputbutton3.txt", item.InnerText);  

            }  

        }  

        private void button3_Click(object sender, EventArgs e)  

        {  

            WebBrowser web = new WebBrowser();  

            web.Navigate("http://www.chinahighway.gov.cn/html/staticHtml/front/index_lkcx.html");   

            web.DocumentCompleted += new WebBrowserDocumentCompletedEventHandler(web_DocumentCompleted);   

        }  

  

        private void button4_Click(object sender, EventArgs e)  

        {  

            string _StrResponse = "";  

            HttpWebRequest _WebRequest = (HttpWebRequest)WebRequest.Create("http://bbs.cup.edu.cn/cupbbs/ThreadList.aspx?fid=51");  

            _WebRequest.UserAgent = "MOZILLA/4.0 (COMPATIBLE; MSIE 7.0; WINDOWS NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.5.21022; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729)";  

            _WebRequest.Method = "Get";  

            WebResponse _WebResponse = _WebRequest.GetResponse();  

            StreamReader _ResponseStream = new StreamReader(_WebResponse.GetResponseStream(), System.Text.Encoding.GetEncoding("gb2312"));  

            _StrResponse = _ResponseStream.ReadToEnd();  

            _WebResponse.Close();  

            _ResponseStream.Close();  

            File.AppendAllText("C:\\Users\\yuan\\Desktop\\ouputbutton4.txt", _StrResponse);  

        }  

  

        private void button5_Click(object sender, EventArgs e)  

        {  

            System.Net.WebClient WebClientObj = new System.Net.WebClient();  

            System.Collections.Specialized.NameValueCollection PostVars = new System.Collections.Specialized.NameValueCollection();  

            PostVars.Add("__VIEWSTATE", "dDwxNDMyMjQ3NTY4O3Q8O2w8aTwxPjs+O2w8dDw7bDxpPDM+O2k8Nz47PjtsPHQ8O2w8aTwwPjtpPDE+O2k8Mj47aTwzPjtpP........省略了，太长了.......");  

            //PostVars.Add("__EVENTVALIDATION", "此处是您需要提前得到的信息");  

            PostVars.Add("__EVENTTARGET", "grdThreadList:_ctl27:_ctl3");  

            //PostVars.Add("__EVENTARGUMENT", "");  

            //string s = "23$74$56";  

            //string[] str=new string[5];  

            //str=s.Split('$');  

            WebClientObj.Headers.Add("ContentType", "application/x-www-form-urlencoded");  

            try  

            {  

                byte[] byte1 = WebClientObj.UploadValues("http://bbs.cup.edu.cn/cupbbs/ThreadList.aspx?fid=51", "POST", PostVars);  

                string ResponseStr = Encoding.UTF8.GetString(byte1); //得到当前页面对应的html 文本字符串  

                //GetPostValue(ResponseStr);//得到当前页面对应的 __VIEWSTATE 等上面需要的信息，为抓取下一页面使用  

                //SaveMessage(ResponseStr);//保存自己关心的内容到数据库中  

                File.AppendAllText("C:\\Users\\yuan\\Desktop\\ouputbutton5.txt", ResponseStr);  

            }  

            catch (Exception ex)  

            {  

                Console.WriteLine(ex.Message);  

            }  

        }  

  

        private static string current__viewstate="";//保存当前页面对应的 __VIEWSTATE 等上面需要的信息，为再次点击按钮（抓取下一页面）使用  

        private string GetPostValue(string ResponseStr)  

        {  

            //......  

            return "";//略//解析ResponseStr，得到__VIEWSTATE的值  

        }  

        private void button6_Click(object sender, EventArgs e)  

        {  

            System.Net.WebClient WebClientObj = new System.Net.WebClient();  

            System.Collections.Specialized.NameValueCollection PostVars = new System.Collections.Specialized.NameValueCollection();  

            PostVars.Add("__VIEWSTATE", current__viewstate);  

            ////PostVars.Add("__EVENTVALIDATION", "此处是您需要提前得到的信息");  

            PostVars.Add("__EVENTTARGET", "grdThreadList:_ctl27:_ctl3");//通过for,改变其值，ctl1,ctl2,ctl3....  

            ////PostVars.Add("__EVENTARGUMENT", "");  

            ////string s = "23$74$56";  

            ////string[] str=new string[5];  

            ////str=s.Split('$');  

            WebClientObj.Headers.Add("ContentType", "application/x-www-form-urlencoded");  

            try  

            {  

                byte[] byte1 = WebClientObj.UploadValues("http://www.chinahighway.gov.cn/html/staticHtml/front/index_lkcx.html", "POST", PostVars);  

                string ResponseStr = Encoding.UTF8.GetString(byte1); //得到当前页面对应的html 文本字符串  

                current__viewstate=GetPostValue(ResponseStr);//得到当前页面对应的 __VIEWSTATE 等上面需要的信息，为抓取下一页面使用  

                //SaveMessage(ResponseStr);//保存自己关心的内容到数据库中  

                File.AppendAllText("C:\\Users\\yuan\\Desktop\\ouputbutton6.txt", ResponseStr);  

            }  

            catch (Exception ex)  

            {  

                Console.WriteLine(ex.Message);  

            }  

        }  

  

        private void button7_Click(object sender, EventArgs e)  

        {  

            try  

            {  

                WebClient MyWebClient = new WebClient();  

                MyWebClient.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 = MyWebClient.DownloadData("http://gb.cri.cn/42071/2013/03/05/3245s4038640_2.htm"); //从指定网站下载数据  

                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  

                Console.WriteLine(pageHtml);//在控制台输入获取的内容  

                using (StreamWriter sw = new StreamWriter("C:\\Users\\yuan\\Desktop\\ouput7.html"))//将获取的内容写入文本  

                {  

                    sw.Write(pageHtml);  

                }  

                Console.ReadLine(); //让控制台暂停,否则一闪而过了               

            }  

            catch (WebException webEx)  

            {  

                Console.WriteLine(webEx.Message.ToString());  

            }  

        }  

  

        //对分页数据抓取，当网页上【下一页】的属性是.gif格式的时候，而且鼠标停在【下一页】上面，页面下面显示的网址不完整（网址太长，只能看到部分），  

        //可以通过在网页上点击右键【查看源文件】,或F12【脚本】，找到对应的href，即可得到网址。  

        private void button8_Click(object sender, EventArgs e)  

        {  

            try  

            {  

                WebClient MyWebClient = new WebClient();  

                MyWebClient.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 = MyWebClient.DownloadData("http://www.chinahighway.gov.cn/roadInfo/queryRoadInfo.do?queryType=map&startDate=&cantonName=&cantonCode=&infoType=3&endDate=&startPlanDate=&_page_size=50&roadName=&mapList=-1&endRealDate=&roadCode=&provinceList=-1&endPlanDate=&startRealDate=&page=3"); //从指定网站下载数据  

                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  

                Console.WriteLine(pageHtml);//在控制台输入获取的内容  

                using (StreamWriter sw = new StreamWriter("C:\\Users\\yuan\\Desktop\\ouput8.txt"))//将获取的内容写入文本  www.2cto.com

                {  

                    sw.Write(pageHtml);  

                }  

                Console.ReadLine(); //让控制台暂停,否则一闪而过了               

            }  

            catch (WebException webEx)  

            {  

                Console.WriteLine(webEx.Message.ToString());  

            }  

        }  

  

  

    }  

}