C# .net 抓取网页内容
ASP.NET 中抓取网页内容是非常方便的,而其中更是解决了 ASP 中困扰我们的编码问题。
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 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。
{
string strMsg = string.Empty;
try
{
WebRequest request = WebRequest.Create(strUrl);
WebResponse response = request.GetResponse();
StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding( " gb2312 "));
strMsg = reader.ReadToEnd();
reader.Close();
reader.Dispose();
response.Close();
}
catch
{ }
return strMsg;
}
2、抓取图片或其它二进制文件(如文件) 需要四个类:WebRequest、WebResponse、Stream、FileStream 所需命名空间:System.Net、System.IO 核心代码:用Stream读取
{
string strMsg = string.Empty;
try
{
WebRequest request = WebRequest.Create(strUrl);
WebResponse response = request.GetResponse();
Stream reader = response.GetResponseStream();
// 可根据实际保存为具体文件
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();
strMsg = " 保存成功 ";
}
catch
{ }
return strMsg;
}
3、抓取网页内容 POST方式 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 strMsg = string.Empty;
try
{
string data = " userName=admin&passwd=admin888 ";
byte[] requestBuffer = System.Text.Encoding.GetEncoding( " gb2312 ").GetBytes(data);
WebRequest request = WebRequest.Create(strUrl);
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();
}
WebResponse response = request.GetResponse();
using (StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding( " gb2312 ")))
{
strMsg = reader.ReadToEnd();
reader.Close();
}
}
catch
{ }
return strMsg;
}
4、ASP.NET 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、ASP.NET 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:
注意:HttpWebRequest.Create 返回的类型仍是 WebRequest,所以要转化一下。 其次,使用 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。
CookieContainer cc = (CookieContainer)Session[ " ccc "]; // 取Session
如:
// 同一页面
// HttpWebRequest request2 = (HttpWebRequest)HttpWebRequest.Create(strUrl);
// System.Net.CookieContainer cc = new CookieContainer();
// request.CookieContainer = cc;
// request2.CookieContainer = cc;
// 不同页面,具体使用时需要将request,request2分开
object obj = Session[ " ccc "];
if (obj == null)
{
CookieContainer cc = new CookieContainer();
// requestr的保存
Session.Add( " ccc ", cc);
}
string strUrl2 = "";
HttpWebRequest request2 = (HttpWebRequest)HttpWebRequest.Create(strUrl2);
// 取出来
CookieContainer cc2 = (CookieContainer)Session[ " ccc "];
request2.CookieContainer = cc2;
// 再进行下一步处理
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。
request.Headers.Add(HttpRequestHeader.Cookie, " ASPSESSIONIDSCATBTAD=KNNDKCNBONBOOBIHHHHAOKDM; ");
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();
- 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。
request.Referer = " http://www.csdn.net/ ";
request.UserAgent = " 要设置的标头 ";
// 下一步的处理