C#中抓取网页方法小结 Ways to crawl web pages (get HTML) using C#

   注：原文亦在我MSN Blog上发表
   获取网页的HTML，大致有三种方法：1. 通过WebClient下载网页；2. 通过HttpWebRequest和HttpWebResponse获得网页的HTML；3. 通过微软提供的WebBrowser控件获得网页的Document Tree。解析HTML，主要方法有两种：正则表达式和Document Tree。以下分别给予简要介绍。

    本文只给出大致的实现思路，代码也较为简洁，只对各个思路给出简单的解释说明。

    预备知识：要获得网页的HTML，首先需要对HTTP协议中的Get和Post方法有简单的了解。Get方法是通过Uri向服务器提交请求，服务器根据Uri中指定的参数对客户端请求进行响应，返回请求的数据；而Post请求一般需要将提交的数据放到请求报文的body部分，还需要在报文首部Content-Length字段中指出body的长度，服务器收到Post请求后，在对这些请求数据进行处理后，再返回相应的响应数据。

    方法1：

    WebClient wClient = new WebClient();
    byte[] pageData = wClient.DownloadData("http://hjzlws.spaces.live.com/");
    string html = Encoding.UTF8.GetString(pageData);

    方法2：

    HttpWebRequest request = HttpWebRequest.Create("http://hjzlws.spaces.live.com/") as HttpWebRequest;
    request.Method = "GET";    
    HttpWebResponse response = request.GetResponse() as HttpWebResponse;
    Stream stream = response.GetResponseStream();
    StreamReader reader = new StreamReader(stream, Encoding.UTF8);
    string html = reader.ReadToEnd();
    reader.Close();

    关于此方法更详细的介绍，请参见如何使用 Visual C# 生成 GET 请求

    方法3：

    WebBrowser.Navigate("http://hjzlws.spaces.live.com/", .....);

    然后在WebBrowser的NavigateComplete事件中，得到Document Tree，就可以对网页的HTML进行处理了。关于此方法更详细的介绍，可以参见这篇文章。

    对于Post方法，只需要在调用获得响应的方法前写入需要post的数据即可：

   1: string url = "http://www.ups.com/WebTracking/track";

   2: string postData = "loc=zh_cn&HTMLVersion=5.0&saveNumbers=null&trackNums

   3: =1ZX580116610381498&AgreeToTermsAndConditions=yes&track.x=17&track.y=4";

   4: string html = "";

   5: Encoding encode = Encoding.GetEncoding("GB2312");

   6: byte[] data = encode.GetBytes(postData);

   7: HttpWebRequest req = WebRequest.Create(url) as HttpWebRequest;

   8: req.AllowAutoRedirect = true;

   9: req.Method = "POST";

  10: req.ContentType = "application/x-www-form-urlencoded";

  11: req.ContentLength = data.Length;  // 要Post的数据的长度

  12:  

  13: // 把要Post的Data写入(追加)到outStream对象中，使其具有post data

  14: Stream outStream = req.GetRequestStream();

  15: outStream.Write(data, 0, data.Length); 

  16: outStream.Close();

  17:  

  18: // Send Request and get the response

  19: HttpWebResponse response = req.GetResponse() as HttpWebResponse;

  20:  

  21: // 得到response的流

  22: Stream responseStream = response.GetResponseStream();

  23: StreamReader sr = new StreamReader(responseStream, encode);

  24:  

  25: html = sr.ReadToEnd();

  26: sr.Close();

    此外，如果需要在多个请求间维持同一个Session，只需要为各个请求的HttpWebRequest指定同一个CookieContainer即可。