C# 抓取网页内容(转)

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:

  1. WebRequest request = WebRequest.Create("http://www.cftea.com/");  
  2. WebResponse response = request.GetResponse();  
  3. StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312"));  

      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。

示例:

  1. <%@ Page Language="C#" %>  
  2. <%@ Import Namespace="System.Net" %>  
  3. <%@ Import Namespace="System.IO" %>  
  4. <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">  
  5. <mce:script runat="server"><!--  
  6.     void Page_Load(object sender, EventArgs e)  
  7.     {  
  8.         try  
  9.         {  
  10.             WebRequest request = WebRequest.Create("http://www.cftea.com/");  
  11.             WebResponse response = request.GetResponse();  
  12.             StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312"));  
  13.               
  14.             tb.Text = reader.ReadToEnd();  
  15.               
  16.             reader.Close();  
  17.             reader.Dispose();  
  18.             response.Close();  
  19.         }  
  20.         catch (Exception ex)  
  21.         {  
  22.             tb.Text = ex.Message;  
  23.         }  
  24.     }  
  25. // --></mce:script>   
  26. <html xmlns="http://www.w3.org/1999/xhtml" >  
  27. <head runat="server">  
  28.     <title>抓取网页内容 - 千一网络</title>  
  29. </head>  
  30. <body>  
  31.     <form id="form1" runat="server">  
  32.     <div>  
  33.     <asp:TextBox ID="tb" runat="server" Width="500" Height="300" TextMode="multiLine"></asp:TextBox>  
  34.     </div>  
  35.     </form>  
  36. </body>  
  37. </html>  

 

 2 抓取网页内容-图片

    需要四个类:WebRequest、WebResponse、Stream、FileStream。

   示例:

  1. <%@ Page Language="C#" %>  
  2. <%@ Import Namespace="System.Net" %>  
  3. <%@ Import Namespace="System.IO" %>  
  4. <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">  
  5. <mce:script runat="server"><!--  
  6.     void Page_Load(object sender, EventArgs e)  
  7.     {  
  8.         try  
  9.         {  
  10.             WebRequest request = WebRequest.Create("http://www.cftea.com/images/logo.gif");  
  11.             WebResponse response = request.GetResponse();  
  12.             Stream reader = response.GetResponseStream();  
  13.               
  14.             FileStream writer = new FileStream("D://logo.gif", FileMode.OpenOrCreate, FileAccess.Write);  
  15.             byte[] buff = new byte[512];  
  16.             int c = 0; //实际读取的字节数   
  17.             while ((c=reader.Read(buff, 0, buff.Length)) > 0)  
  18.             {  
  19.                 writer.Write(buff, 0, c);  
  20.             }  
  21.             writer.Close();  
  22.             writer.Dispose();  
  23.               
  24.             reader.Close();  
  25.             reader.Dispose();  
  26.             response.Close();  
  27.               
  28.             tb.Text = "保存成功!";  
  29.         }  
  30.         catch (Exception ex)  
  31.         {  
  32.             tb.Text = ex.Message;  
  33.         }  
  34.     }  
  35. // --></mce:script>   
  36. <html xmlns="http://www.w3.org/1999/xhtml" >  
  37. <head runat="server">  
  38.     <title>抓取网页图片并保存 - 千一网络</title>  
  39. </head>  
  40. <body>  
  41.     <form id="form1" runat="server">  
  42.     <div>  
  43.     <asp:TextBox ID="tb" runat="server" Width="500" Height="300" TextMode="multiLine"></asp:TextBox>  
  44.     </div>  
  45.     </form>  
  46. </body>  
  47. </html>  

 

3 抓取网页内容-Post 数据

   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

  1. string data = "userName=admin&passwd=admin888";  
  2. byte[] requestBuffer = System.Text.Encoding.GetEncoding("gb2312").GetBytes(data);  
  3.   
  4. request.Method = "POST";  
  5. request.ContentType = "application/x-www-form-urlencoded";  
  6. request.ContentLength = requestBuffer.Length;  
  7. using (Stream requestStream = request.GetRequestStream())  
  8. {  
  9.     requestStream.Write(requestBuffer, 0, requestBuffer.Length);  
  10.     requestStream.Close();  
  11. }  
  12.   
  13. using (StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312")))  
  14. {  
  15.     string str = reader.ReadToEnd();  
  16.     reader.Close();  
  17. }  

 

4  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 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:

  1. HttpWebRequest request = (HttpWebRequest)HttpWebRequest.Create(url);  

 

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

其次,使用 CookieContainer。

  1. System.Net.CookieContainer cc = new System.Net.CookieContainer();  
  2. request.CookieContainer = cc;  
  3. 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。

 

  1. Session.Add("ccc", cc); //存   
  2.   
  3. CookieContainer cc = (CookieContainer)Session["ccc"]; //取  

 

5 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。

  1. WebRequest request = WebRequest.Create("url");  
  2. <SPAN class=key>request.Headers.Add(HttpRequestHeader.Cookie, "ASPSESSIONIDSCATBTAD=KNNDKCNBONBOOBIHHHHAOKDM;");</SPAN>  
  3. WebResponse response = request.GetResponse();  
  4. StreamReader reader = new StreamReader(response.GetResponseStream(), System.Text.Encoding.GetEncoding("gb2312"));  
  5. Response.Write(reader.ReadToEnd());  
  6. reader.Close();  
  7. reader.Dispose();  
  8. 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。

6 抓取网页内容-如何更改来源 Referer 和 UserAgent

  1. <SPAN class=caution>HttpWebRequest</SPAN> request = <SPAN class=caution>(HttpWebRequest)HttpWebRequest</SPAN>.Create("http://127.0.0.1/index.htm");  
  2. //request.Headers.Add(HttpRequestHeader.Referer, "http://www.cftea.com/"); // 错误   
  3. //request.Headers[HttpRequestHeader.Referer] = "http://www.cftea.com/"; // 错误   
  4. <SPAN class=caution>request.Referer</SPAN> = "http://www.cftea.com/"; // 正确  

 

注释掉的两句是不对的,会发生错误:

  1. 此标头必须使用适当的属性进行修改。  
  2. 参数名: name   

 

UserAgent 类似。

posted on 2011-12-21 00:28  myurl  阅读(6071)  评论(5编辑  收藏  举报

导航