在解决这个问题之前,我一直很苦恼。在网上到处搜寻,都找不到相应的解决办法。网上,虽然有提及完全相同的问题的帖子,但是答案最后往往没有得到发帖人的肯定,或者帖子就此die在论坛中。为了解决我设计网络爬虫程序所不可回避的获取网页编码的问题,我克服重重困难,在MSDN的一个帖子中的一个高人的一句话点醒了我。我似乎已经找到了解决问题的办法,但是后来,发现找到的那种办法的确可以解决乱码的问题,但是会出现获取的网页不完整的问题。
在我坚韧不拔的意志的支持下,我不停的尝试,不停的改进,终于设计出了一个可以完全解决此问题的代码,在这里和大家分享,并声明:不可用于商业目的,仅用于爱好者学习思想。相信大家可以设计出更加好,更加高效的程序。
Function GetWebCode(ByVal strURL As String) As String
Dim httpReq As System.Net.HttpWebRequest
Dim httpResp As System.Net.HttpWebResponse
Dim httpURL As New System.Uri(strURL)
Dim ioS As System.IO.Stream, charSet As String, tCode As String
Dim k() As Byte
ReDim k(0)
Dim dataQue As New Queue(Of Byte)
httpReq = CType(WebRequest.Create(httpURL), HttpWebRequest)
Dim sTime As Date = CDate("1990-09-21 00:00:00")
httpReq.IfModifiedSince = sTime
httpReq.Method = "GET"
httpReq.Timeout = 7000
Try
httpResp = CType(httpReq.GetResponse(), HttpWebResponse)
Catch
Debug.Print("weberror")
GetWebCode = "<title>no thing found</title>" : Exit Function
End Try
'以上为网络数据获取
ioS = CType(httpResp.GetResponseStream, Stream)
Do While ioS.CanRead = True
Try
dataQue.Enqueue(ioS.ReadByte)
Catch
Debug.Print("read error")
Exit Do
End Try
Loop
ReDim k(dataQue.Count - 1)
For j As Integer = 0 To dataQue.Count - 1
k(j) = dataQue.Dequeue
Next
'以上,为获取流中的的二进制数据
tCode = Encoding.GetEncoding("UTF-8").GetString(k) '获取特定编码下的情况,毕竟UTF-8支持英文正常的显示
charSet = Replace(GetByDiv2(tCode, "charset=", """"), """", "") '进行编码类型识别
'以上,获取编码类型
If charSet = "" Then 'defalt
If httpResp.CharacterSet = "" Then
tCode = Encoding.GetEncoding("UTF-8").GetString(k)
Else
tCode = Encoding.GetEncoding(httpResp.CharacterSet).GetString(k)
End If
Else
tCode = Encoding.GetEncoding(charSet).GetString(k)
End If
Debug.Print(charSet)
'Stop
'以上,按照获得的编码类型进行数据转换
'将得到的内容进行最后处理,比如判断是不是有出现字符串为空的情况
GetWebCode = tCode
If tCode = "" Then GetWebCode = "<title>no thing found</title>"
End Function
Function GetByDiv2(ByVal code As String, ByVal divBegin As String, ByVal divEnd As String) '获取分隔符所夹的内容[完成,未测试]
'仅用于获取编码数据
Dim lgStart As Integer
Dim lens As Integer
Dim lgEnd As Integer
lens = Len(divBegin)
If InStr(1, code, divBegin) = 0 Then GetByDiv2 = "" : Exit Function
lgStart = InStr(1, code, divBegin) + CInt(lens)
lgEnd = InStr(lgStart + 1, code, divEnd)
If lgEnd = 0 Then GetByDiv2 = "" : Exit Function
GetByDiv2 = Mid(code, lgStart, lgEnd - lgStart)
End Function
将如上代码复制,并引用:
Imports System.Net
Imports System.IO
Imports System.Text.Encoding
Imports System.Text
然后,就可以使用这个代码完成网页源代码下载的工作了。
欢迎提出改进意见看法。