c 获取网页html,使用C#获取网页HTML源码的例子

最近在做一个项目，其中一个功能是根据一个URL地址，获取到网页的源代码。在ASP.NET(C#)中，获取网页源代码貌似有很多种方法，我随便搞了一个简单的WebClient，非常简单容易。但后面一个非常恼火的问题出来了，那就是中文的乱码。

通过仔细研究，中文的网页不外乎GB2312和UTF-8这两种编码。于是有了下面这段代码：

///

/// 根据网址的URL，获取源代码HTML

///

///

///

public static string GetHtmlByUrl(string url)

{

using (WebClient wc = new WebClient())

{

try

{

wc.UseDefaultCredentials = true;

wc.Proxy = new WebProxy();

wc.Proxy.Credentials = CredentialCache.DefaultCredentials;

wc.Credentials = System.Net.CredentialCache.DefaultCredentials;

byte[] bt = wc.DownloadData(url);

string txt = System.Text.Encoding.GetEncoding("GB2312").GetString(bt);

switch (GetCharset(txt).ToUpper())

{

case "UTF-8":

txt = System.Text.Encoding.UTF8.GetString(bt);

break;

case "UNICODE":

txt = System.Text.Encoding.Unicode.GetString(bt);

break;

default:

break;

}

return txt;

}

catch (Exception ex)

{

return null;

}

}

}

稍微解释一下，这里使用了WebClient创建了一个wc对象(这命名有点尴尬了)。然后调用wc对象的DownloadData方法，传入URL值，返回一个字节数组。默认使用GB2312来读取这个字节数组，把它转换成字符串。从网页源代码的字符串中查找网页的编码格式的特征字符，如找到charset="utf-8"这样的信息，来判断当前网页的编码格式。

GetCharset这个函数就是来获取当前网页的编码格式的，具体代码如下：

///

/// 从HTML中获取获取charset

///

///

///

public static string GetCharset(string html)

{

string charset = "";

Regex regCharset = new Regex(@"content=[""'].*\s*charset\b\s*=\s*""?(?[^""']*)", RegexOptions.IgnoreCase);

if (regCharset.IsMatch(html))

{

charset = regCharset.Match(html).Groups["charset"].Value;

}

if (charset.Equals(""))

{

regCharset = new Regex(@"[^""']*)", RegexOptions.IgnoreCase);

if (regCharset.IsMatch(html))

{

charset = regCharset.Match(html).Groups["charset"].Value;

}

}

return charset;

}

感觉写得不是很好，先将就着用，呵呵。小编原创，转载注明，呵呵。