C# 抓取网页内容
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="500" Height="300" 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[512];
- int c = 0; //实际读取的字节数
- while ((c=reader.Read(buff, 0, buff.Length)) > 0)
- {
- writer.Write(buff, 0, 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="500" Height="300" 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, 0, 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：
- 此标头必须使用适当的属性进行修改。
- 参数名: name
UserAgent 类似。