ASP.NET抓取网页内容

原文: ASP.NET抓取网页内容

一、ASP.NET 使用HttpWebRequest抓取网页内容

 

这种方式抓取某些页面会失败

不过，有时候我们会发现，这个程序在抓取某些页面时，是获不到所需的内容的，有时候甚至返回404的错误提示页，这是什么原因呢？

其实，很多人都忽略了一个问题，那就是服务器默认的浏览器问题。有的服务器默认的浏览器是手机浏览器，那么，当我抓取这个服务器下的网页是，就相当于用手机浏览器来打开网页，而如果要抓取的目标网页没有相应的手机网页的话，就会返回意想不到的结果，有的返回404错误提示页，有的返回403错误提示页，有的甚至跳转到其他网页去了。

 

如何解决这个问题？

要解决这个问题，其实很简单，我们只需要在程序里指定使用的浏览器的即可，即是设置UserAgent的参数值。

 

完整代码：

 

C# 代码    复制

  /// <summary>方法一：比较推荐  /// 用HttpWebRequest取得网页源码  /// 对于带BOM的网页很有效，不管是什么编码都能正确识别  /// </summary>  /// <param name="url">网页地址" </param>  /// <returns>返回网页源文件</returns>  public static string GetHtmlSource2(string url)  {  //处理内容  string html = "";  HttpWebRequest request = (HttpWebRequest)WebRequest.Create(url);  request.Accept = "*/*"; //接受任意文件  request.UserAgent = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; .NET CLR 1.1.4322)"; //  request.AllowAutoRedirect = true;//是否允许302  //request.CookieContainer = new CookieContainer();//cookie容器，  request.Referer = url; //当前页面的引用  HttpWebResponse response = (HttpWebResponse)request.GetResponse();  Stream stream = response.GetResponseStream();  StreamReader reader = new StreamReader(stream, Encoding.Default);  html = reader.ReadToEnd();  stream.Close();  return html;  } 

 

二、ASP.NET 使用 WebResponse 抓取网页内容

 

C# 代码    复制

  public static string GetHttpData2(string Url)  {  string sException = null;  string sRslt = null;  WebResponse oWebRps = null;  WebRequest oWebRqst = WebRequest.Create(Url);  oWebRqst.Timeout = 50000;  try  {  oWebRps = oWebRqst.GetResponse();  }  catch (WebException e)  {  sException = e.Message.ToString();  }  catch (Exception e)  {  sException = e.ToString();  }  finally  {  if (oWebRps != null)  {  StreamReader oStreamRd = new StreamReader(oWebRps.GetResponseStream(), Encoding.GetEncoding("utf-8"));  sRslt = oStreamRd.ReadToEnd();  oStreamRd.Close();  oWebRps.Close();  }  }  return sRslt;  } 

 

三、ASP.NET 使用 WebClient 抓取网页内容

 

C# 代码    复制

  /// <param name="url">/要访问的网站地址</param>  /// <param name="charSets">目标网页的编码，如果传入的是null或者"",那就自动分析网页的编码</param>  /// <returns></returns>  public static string getHtml(string url, params string[] charSets)  {  try  {  string charSet = null;  if (charSets.Length == 1)  {  charSet = charSets[0];  }  WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient  // 需要注意的：  //有的网页可能下不下来，有种种原因比如需要cookie,编码问题等等  //这是就要具体问题具体分析比如在头部加入cookie  // webclient.Headers.Add("Cookie", cookie);  //这样可能需要一些重载方法.根据需要写就可以了  //获取或设置用于对向 Internet 资源的请求进行身份验证的网络凭据.  myWebClient.Credentials = CredentialCache.DefaultCredentials;  //如果服务器要验证用户名，密码  //NetworkCredential mycred = new NetworkCredential(struser, strpassword);  //myWebClient.Credentials = mycred;  //从资源下载数据并返回字节数组.(加@是因为网址中间有"/"符号)  byte[] myDataBuffer = myWebClient.DownloadData(url);  string strWebData = Encoding.Default.GetString(myDataBuffer);  //获取网页字符编码描述信息  Match charSetMatch = Regex.Match(strWebData, "<meta([^<]*)charset=([^<]*)", RegexOptions.IgnoreCase | RegexOptions.Multiline);  string webCharSet = charSetMatch.Groups[2].Value;  if (charSet == null || charSet == "")  charSet = webCharSet;  if (charSet != null && charSet != "" && Encoding.GetEncoding(charSet) != Encoding.Default)  {  strWebData = Encoding.GetEncoding(charSet).GetString(myDataBuffer);  }  else  {  strWebData = Encoding.GetEncoding("utf-8").GetString(myDataBuffer);  }  return strWebData;  }  catch (Exception e) { return ""; }  }