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：
view plaincopy to clipboardprint?
|
1
2
3
|
WebRequest request = WebRequest.Create(
"http://www.jb51.net/"
);
WebResponse response = request.GetResponse();
StreamReader reader =
new
StreamReader(response.GetResponseStream(), Encoding.GetEncoding(
"gb2312"
));
|
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：
view plaincopy to clipboardprint?
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
|
<%@ 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.jb51.net/"
);
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：
view plaincopy to clipboardprint?
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
|
<%@ 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.jb51.net/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>
|
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
view plaincopy to clipboardprint?
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
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：
view plaincopy to clipboardprint?
|
1
|
HttpWebRequest request = (HttpWebRequest)HttpWebRequest.Create(url);
|
其次，使用 CookieContainer。
view plaincopy to clipboardprint?
|
1
2
3
|
System.Net.CookieContainer cc =
new
System.Net.CookieContainer();
request.CookieContainer = cc;
request2.CookieContainer = cc;
|
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。
|
1
2
3
4
|
view plaincopy to clipboardprint?
Session.Add(
"ccc"
, cc);
//存
CookieContainer cc = (CookieContainer)Session[
"ccc"
];
//取
|
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。
view plaincopy to clipboardprint?
|
1
2
3
4
5
6
7
8
|
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
view plaincopy to clipboardprint?
|
1
2
3
4
|
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.jb51.net/"); // 错误
//request.Headers[HttpRequestHeader.Referer] = "http://www.jb51.net/"; // 错误
<SPAN
class
=
"caution"
>request.Referer</SPAN> =
"http://www.jb51.net/"
; // 正确
|
view plaincopy to clipboardprint?
此标头必须使用适当的属性进行修改。
参数名: name
此标头必须使用适当的属性进行修改。参数名: name
UserAgent 类似。
2749
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
