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：

     WebRequest request = WebRequest.Create("http://www.cftea.com/");

     WebResponse response = request.GetResponse();

     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：

     <%@ Page Language="C#" %>

     <%@ Import Namespace="System.Net" %>

     <%@ Import Namespace="System.IO" %>

     <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">

     <mce:script runat="server"><!--

         void Page_Load(object sender, EventArgs e)

         {

             try

             {

                 WebRequest request = WebRequest.Create("http://www.cftea.com/");

                 WebResponse response = request.GetResponse();

                 StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312"));  

                 tb.Text = reader.ReadToEnd();  

                 reader.Close();

                 reader.Dispose();

                 response.Close();

             }

             catch (Exception ex)

             {

                 tb.Text = ex.Message;

             }

         }

     // --></mce:script>

     <html xmlns="http://www.w3.org/1999/xhtml" >

     <head runat="server">

         <title>抓取网页内容 - 千一网络</title>

     </head>

     <body>

         <form id="form1" runat="server">

         <div>

         <asp:TextBox ID="tb" runat="server" Width="" Height="" TextMode="multiLine"></asp:TextBox>

         </div>

         </form>

     </body>

     </html>

2 抓取网页内容－图片

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

示例：

     <%@ Page Language="C#" %>

     <%@ Import Namespace="System.Net" %>

     <%@ Import Namespace="System.IO" %>

     <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">

     <mce:script runat="server"><!--

         void Page_Load(object sender, EventArgs e)

         {

             try

             {

                 WebRequest request = WebRequest.Create("http://www.cftea.com/images/logo.gif");

                 WebResponse response = request.GetResponse();

                 Stream reader = response.GetResponseStream();  

                 FileStream writer = new FileStream("D://logo.gif", FileMode.OpenOrCreate, FileAccess.Write);

                 byte[] buff = new byte[];

                 int c = ; //实际读取的字节数

                 while ((c=reader.Read(buff, , buff.Length)) > )

                 {

                     writer.Write(buff, , c);

                 }

                 writer.Close();

                 writer.Dispose();  

                 reader.Close();

                 reader.Dispose();

                 response.Close();  

                 tb.Text = "保存成功！";

             }

             catch (Exception ex)

             {

                 tb.Text = ex.Message;

             }

         }

     // --></mce:script>

     <html xmlns="http://www.w3.org/1999/xhtml" >

     <head runat="server">

         <title>抓取网页图片并保存 - 千一网络</title>

     </head>

     <body>

         <form id="form1" runat="server">

         <div>

         <asp:TextBox ID="tb" runat="server" Width="" Height="" TextMode="multiLine"></asp:TextBox>

         </div>

         </form>

     </body>

     </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

    string data = "userName=admin&passwd=admin888";

    byte[] requestBuffer = System.Text.Encoding.GetEncoding("gb2312").GetBytes(data);  

    request.Method = "POST";

    request.ContentType = "application/x-www-form-urlencoded";

    request.ContentLength = requestBuffer.Length;

    using (Stream requestStream = request.GetRequestStream())

    {

        requestStream.Write(requestBuffer, , requestBuffer.Length);

        requestStream.Close();

    }  

    using (StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312")))

    {

        string str = reader.ReadToEnd();

        reader.Close();

    }

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：

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。

    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

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。

    WebRequest request = WebRequest.Create("url");

    <SPAN class=key>request.Headers.Add(HttpRequestHeader.Cookie, "ASPSESSIONIDSCATBTAD=KNNDKCNBONBOOBIHHHHAOKDM;");</SPAN>

    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。

6 抓取网页内容－如何更改来源 Referer 和 UserAgent

    <SPAN class=caution>HttpWebRequest</SPAN> request = <SPAN class=caution>(HttpWebRequest)HttpWebRequest</SPAN>.Create("http://127.0.0.1/index.htm");

    //request.Headers.Add(HttpRequestHeader.Referer, "http://www.cftea.com/"); // 错误

    //request.Headers[HttpRequestHeader.Referer] = "http://www.cftea.com/"; // 错误

    <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

网页数据抓取（B/S）的更多相关文章

  1. 爬虫---selenium动态网页数据抓取

    动态网页数据抓取 什么是AJAX: AJAX(Asynchronouse JavaScript And XML)异步JavaScript和XML.过在后台与服务器进行少量数据交换,Ajax 可以使网页 ...

  2. 网页数据抓取工具，webscraper 最简单的数据抓取教程，人人都用得上

    Web Scraper 是一款免费的,适用于普通用户(不需要专业 IT 技术的)的爬虫工具,可以方便的通过鼠标和简单配置获取你所想要数据.例如知乎回答列表.微博热门.微博评论.淘宝.天猫.亚马逊等电商 ...

  3. Android登录client，验证码的获取，网页数据抓取与解析，HttpWatch基本使用

    大家好,我是M1ko.在互联网时代的今天,假设一个App不接入互联网.那么这个App一定不会有长时间的生命周期,因此Android网络编程是每个Android开发人员必备的技能.博主是在校大学生,自学 ...

  4. 【Android 我的博客APP】1.抓取博客首页文章列表内容——网页数据抓取

    打算做个自己在博客园的博客APP,首先要能访问首页获取数据获取首页的文章列表,第一步抓取博客首页文章列表内容的功能已实现,在小米2S上的效果图如下: 思路是:通过编写的工具类访问网页,获取页面源代码, ...

  5. Web网页数据抓取（C/S）

    通过程序自动的读取其它网站网页显示的信息,类似于爬虫程序.比方说我们有一个系统,要提取BaiDu网站上歌曲搜索排名.分析系统在根据得到的数据进行数据分析.为业务提供参考数据. 为了完成以上的需求,我们 ...

  6. java网页数据抓取实例

    在很多行业中,要对行业数据进行分类汇总,及时分析行业数据,对于公司未来的发展,有很好的参照和横向对比.所以,在实际工作,我们可能要遇到数据采集这个概念,数据采集的最终目的就是要获得数据,提取有用的数据 ...

  7. Python爬虫之-动态网页数据抓取

    什么是AJAX: AJAX(Asynchronouse JavaScript And XML)异步JavaScript和XML.过在后台与服务器进行少量数据交换,Ajax 可以使网页实现异步更新.这意 ...

  8. python 入门实践之网页数据抓取

    这个不错.正好入门学习使用. 1.其中用到 feedparser: 技巧:使用 Universal Feed Parser 驾驭 RSS http://www.ibm.com/developerwor ...

  9. 一个我经常用到的采集网页数据抓取网页获取数据的PHP函数类

    class get_c_str { var $str; var $start_str; var $end_str; var $start_pos; var $end_pos; var $c_str_l ...

随机推荐

  1. 运动检测（前景检测）之（一）ViBe

    运动检测(前景检测)之(一)ViBe zouxy09@qq.com http://blog.csdn.net/zouxy09 因为监控发展的需求,目前前景检测的研究还是很多的,也出现了很多新的方法和思 ...

  2. [Usaco2008 Mar]Cow Travelling游荡的奶牛[简单DP]

    Description 奶牛们在被划分成N行M列(2 <= N <= 100; 2 <= M <= 100)的草地上游走,试图找到整块草地中最美味的牧草.Farmer John ...

  3. tomcat安装和基本配置

    首先,默认电脑上已经配置好java环境. 在http://tomcat.apache.org/这里下载tomcat二进制版本,下载到本地后随意解压在某个盘, 我解压在D:\apache-tomcat- ...

  4. 使用 App Studio 快速定制一个你自己的专属应用

    使用 App Studio 快速定制一个你自己的专属应用 如果已有做一个手机应用的想法,只需要一些简单的图片,视频,或者RSS源,就可以通过App Studio制作出你心仪的应用! App Studi ...

  5. replace()随笔

    今天在读jquery源码时,发现一个以前自己不曾注意过得问题,就是replece()的第二个参数为函数时的问题,以前只是知道replace()的第二个参数可以为函数,但是不知道该怎么操作,今天看到源码 ...

  6. strut2读源码记录

    首先你得准备一个很简单的struts2的程序,可以发一次请求后能返回一个正确的响应,当然,struts2的源码也要有,我这里用的myeclipse调试的,本来是想用eclipse,因为本人习惯于用ec ...

  7. Citrix 服务器虚拟化之四 Xenserver资源池

    Citrix 服务器虚拟化之四  Xenserver资源池 台主机,尽管这种限制没有执行.池总是至少有一个物理节点,称为主.只有主节点公开管理界面(使用XenCenter和XenServer命令行界面 ...

  8. Effective C++ 第二版 1)const和inline 2)iostream

    条款1 尽量用const和inline而不用#define >"尽量用编译器而不用预处理" Ex. #define ASPECT_R 1.653    编译器永远不会看到AS ...

  9. Haskell 笔记（四）函数系统

    函数系统 函数式编程当然少不了函数系统啦,在教程最初的时候就有一个最简单的函数,函数系统贯穿在Haskell全部,Haskell的函数有几个重要的性质. 首先声明一下函数的参数和返回值类型 然后有一个 ...

  10. redis beforesleep

    本来想把redis main函数附带都读完再写笔记,但实在太大了,所以现在决定一部分一部分地记录. eventloop中在每次进入循环时都会调用beforeSleep回调(因为processevent ...