作者：Tony Qu
最近基于C#写了个Spider框架，所以有了此文的心得，虽然这话题也不算什么新话题了，但我还是想写一篇这样的文章，因为我发现这玩意真的写起代码来还是有很多细节的，要做到通用还是有一定难度的。当然，本文会略过最基本的一些东西，如GET/POST方式，UserAgent等，这不是本文要讨论的重点。
我使用过程中遇到的最大挑战是以下几个问题：
a. 如何处理chunked的页面
b. 如何处理gzip过的页面
c. 如何自动判断文本编码
d. 如何使用CookieContainer
我们一个一个来，先从第一个开始。chunked是常用的web服务器设置，也经常与gzip一起使用，
a. 如何处理chunked的页面
(fiddler的Response Header视图截图)
chunked的好处最主要的是页面优化，浏览器通常会在接收完第一个chunked块之后开始解析页面，而不是等到整个页面加载完成。关于chunked的传输细节有兴趣的朋友可以继续阅读以下两篇文章http 《chunked传输》
《HTTP chunked+gzip及浏览器兼容测试》
由于页面的chunked，我们必须通过stream方式来获得数据，且由于之后要对获得的Stream进行gzip解密，所以我们需要把Stream暂时保存到MemoryStream中，如下所示：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
MemoryStream memory =
null
;
int
length = 0;
if
(res.ContentLength > 0)
{
length = (
int
)res.ContentLength;
}
else
{
length = 8000;
}
memory =
new
MemoryStream(length);
Byte[] buf =
new
byte
[4096];
Stream resStream = res.GetResponseStream();
int
count = 0;
do
{
count = resStream.Read(buf, 0, buf.Length);
if
(count != 0)
{
memory.Write(buf, 0, count);
}
}
while
(count > 0);
|
这里利用ContentLength获取实际大小，但在有些情况下，ContentLength取不到，就会有个默认大小8000。当然这只是MemoryStream初始，如果Write的时候超过，它会自动增加大小（我记得是默认大小的两倍）。
b. 如何处理gzip
gzip的好处想必不用我说了吧，自然是传输大小更小，动态压缩，目前大部分门户都会打开这个选项，其平均压缩效果可以达到不开之前的40%左右，以下是处理gzip的代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
Stream responseStream =
null
;
//handle gzip or deflate stream
if
(res.ContentEncoding.ToLower().Contains(
"gzip"
))
{
responseStream =
new
GZipStream(memory, CompressionMode.Decompress);
}
else
if
(res.ContentEncoding.ToLower().Contains(
"deflate"
))
{
responseStream =
new
DeflateStream(memory, CompressionMode.Decompress);
}
else
{
responseStream = memory;
}
|
压缩方式可以通过ContentEncoding属性获得，这里同时也处理了deflate的压缩方式，不过目前我没遇到过这种网站，这代码是拷贝过来的，呵呵。
c. 如何自动判断文本编码
编码问题往往是让人头疼的问题，因为某些情况你拿到的数据会变成乱码，这就表示编码没有处理好。页面的实际编码是保存在ContentType中的，如下所示
(fiddler的Response Header视图截图)
这里的charset就是我们需要的编码信息，编码的自动选择全靠它了，编码的真正作用发生在我们把刚才的responseStream转换为string，代码如下所示：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
int
charsetPos = res.ContentType.IndexOf(
"charset="
);
string
encoding =
"UTF-8"
;
if
(charsetPos >= 0)
{
int
semicolonPos = res.ContentType.IndexOf(
";"
, charsetPos);
encoding = res.ContentType.Substring(charsetPos + 8, semicolonPos > 0 ? semicolonPos - charsetPos - 8 : res.ContentType.Length - charsetPos - 8);
}
var oEncoding = Encoding.GetEncoding(encoding);
using
(StreamReader sr =
new
StreamReader(responseStream, oEncoding))
{
content = sr.ReadToEnd();
}
|
我这边用了比较原始的方法，没有用正则表达式，如果你觉得这个方法很挫，你可以换成正则表达式。看到没，StreamReader通过oEncoding得知该用哪种编码来把byte[]转换为String。
（这里牵扯到几年前我做过的一道面试题：String和byte[]如何进行转换？说说你的经验。这道题虽然很多公司不面，但我倒觉得这道题是可以深入的，因为encoding其实是个很不错的面试话题，也很考基础知识。）
d. 如何使用CookieContainer
通常呢，稍微有点防御的网站都会验cookie，或者放个身份认证的cookie，如何在请求中放cookie呢，自然是靠CookieContainer（其实也可以通过AddHttpHeader，但本文只讨论CookieContainer，好处等会儿说，先卖个关子。）CookieContainer的接口有点搞，因为既有Add，也有SetCookie，我一开始就上了老当，用了Add，结果没有效果。SetCookies才是正确的方法，这个方法即可以一次性设置完所有的cookie，也可以一个一个设置，如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
CookieContainer cookieContainer =
new
CookieContainer();
cookieContainer.SetCookies(
new
Uri(hostname),
new
Cookie(
"aaa"
,
"98d4c408-7923-443a-ba3f-99df3bea7792"
,
"/"
,
"a.com"
).ToString());
cookieContainer.SetCookies(
new
Uri(hostname),
new
Cookie(
"bbb"
,
"0"
,
"/"
,
"a.com"
).ToString());
cookieContainer.SetCookies(
new
Uri(hostname),
new
Cookie(
"ccc"
,
"0"
,
"/"
,
"a.com"
).ToString());
HttpWebRequest req = (HttpWebRequest)WebRequest.Create(url);
req.Headers.Add(HttpRequestHeader.AcceptEncoding,
"gzip,deflate"
);
req.AllowAutoRedirect =
true
;
req.Accept =
"text/html, application/xhtml+xml, */*"
;
req.Timeout = 50000;
req.Method =
"GET"
;
req.CookieContainer = cookieContainer;
var response = (HttpWebResponse)req.GetResponse();
|
这里使用Cookie而非直接用字符串是出于安全考虑，因为Cookie对象的ToString自动帮我们把encoding做掉了，所以这么写会比直接用字符串来的安全，SetCookies是需要指定Url的，不过通常对于同一个网站host应该是一样的，比如www.a.com，不过目前还没遇到过跨域问题，等遇到了我单独写一篇讨论，跨域可又是另外一个头疼的问题了。
这里要说一下CookieContainer和AddHttpHeader的区别，首先这两个不能同时使用，只能用一个，其次CookieContainer毕竟是容器，所以理论上可以把另外一个请求的cookie一起带过来，然后实现cookie传递逻辑，而AddHttpHeader做不到这一点，这是最大的区别。
先写到这，大家有什么关于HttpWebRequest的其他心得可以发在回复中，我会整理后更新这个帖子。
版权声明：本文由作者Tony Qu原创， 未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则视为侵权。
1368
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
