最初用python写爬虫,很方便快捷,但缺点是编译出来的exe过大,又使用了pygame做界面,最后的程序代码差不多200M.
于是准备换一种语言,初学c#尝试写爬虫。难度比起python不可同日而语,最关键的是网上的资料较少,而且挺过时。
全靠自己磕磕碰碰摸索着,整个改写花费了12个小时,终于成功完成。
代码量比起python大约提高了100%。
python是110行,c#用了210行完成同样功能,带注释。
首先是大的分类,c#自带的类库有三种可用,一是最古老的httpreques,方法特别多,细节也多。
二是webclient,比起原始类库要高级不少。
三是httpclient,相对比较新,支持异步模式。
我最后选择了httpclient
-
第一个大坑,需求是post一个网站,爬取数据,用python只需要填写header和formdata,header部分填写user agent和Referer即可,但是用httpclient post,无论怎么都无法返回正确结果,反复尝试,最后发现必须把整个header写全。包括User-Agent,ContentType,Accept-Encoding,Accept-Language,Referer等等。
-
第二个大坑,前面的问题解决,能返回值了,但是返回值是乱码,查询
//必须使用如下方式,否则返回值会乱码
HttpClient client = new HttpClient(new