C# 抓取网页内容

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 plain copy to clipboard print ?

1. WebRequest request = WebRequest.Create("http://www.cftea.com/");

2. WebResponse response = request.GetResponse();

3. StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312"));

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。

示例：

view plain copy to clipboard print ?

1. <%@ Page Language="C#" %>

2. <%@ Import Namespace="System.Net" %>

3. <%@ Import Namespace="System.IO" %>

4. <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">

5. <mce:script runat="server"><!--

6. void Page_Load(object sender, EventArgs e)

7. {

8. try

9. {

10. WebRequest request = WebRequest.Create("http://www.cftea.com/");

11. WebResponse response = request.GetResponse();

12. StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312"));

13.

14. tb.Text = reader.ReadToEnd();

15.

16. reader.Close();

17. reader.Dispose();

18. response.Close();

19. }

20. catch (Exception ex)

21. {

22. tb.Text = ex.Message;

23. }

24. }

25. // --></mce:script>

26. <html xmlns="http://www.w3.org/1999/xhtml" >

27. <head runat="server">

28. <title>抓取网页内容 - 千一网络</title>

29. </head>

30. <body>

31. <form id="form1" runat="server">

32. <div>

33. <asp:TextBox ID="tb" runat="server" Width="500" Height="300" TextMode="multiLine"></asp:TextBox>

34. </div>

35. </form>

36. </body>

37. </html>

2 抓取网页内容－图片

需要四个类：WebRequest、WebResponse、Stream、FileStream。

示例：

view plain copy to clipboard print ?

1. <%@ Page Language="C#" %>

2. <%@ Import Namespace="System.Net" %>

3. <%@ Import Namespace="System.IO" %>

4. <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">

5. <mce:script runat="server"><!--

6. void Page_Load(object sender, EventArgs e)

7. {

8. try

9. {

10. WebRequest request = WebRequest.Create("http://www.cftea.com/images/logo.gif");

11. WebResponse response = request.GetResponse();

12. Stream reader = response.GetResponseStream();

13.

14. FileStream writer = new FileStream("D:\\logo.gif", FileMode.OpenOrCreate, FileAccess.Write);

15. byte[] buff = new byte[512];

16. int c = 0; //实际读取的字节数

17. while ((c=reader.Read(buff, 0, buff.Length)) > 0)

18. {

19. writer.Write(buff, 0, c);

20. }

21. writer.Close();

22. writer.Dispose();

23.

24. reader.Close();

25. reader.Dispose();

26. response.Close();

27.

28. tb.Text = "保存成功！";

29. }

30. catch (Exception ex)

31. {

32. tb.Text = ex.Message;

33. }

34. }

35. // --></mce:script>

36. <html xmlns="http://www.w3.org/1999/xhtml" >

37. <head runat="server">

38. <title>抓取网页图片并保存 - 千一网络</title>

39. </head>

40. <body>

41. <form id="form1" runat="server">

42. <div>

43. <asp:TextBox ID="tb" runat="server" Width="500" Height="300" TextMode="multiLine"></asp:TextBox>

44. </div>

45. </form>

46. </body>

47. </html>

3 抓取网页内容－Post 数据

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 plain copy to clipboard print ?

1. string data = "userName=admin&passwd=admin888";

2. byte[] requestBuffer = System.Text.Encoding.GetEncoding("gb2312").GetBytes(data);

4. request.Method = "POST";

5. request.ContentType = "application/x-www-form-urlencoded";

6. request.ContentLength = requestBuffer.Length;

7. using (Stream requestStream = request.GetRequestStream())

8. {

9. requestStream.Write(requestBuffer, 0, requestBuffer.Length);

10. requestStream.Close();

11. }

12.

13. using (StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312")))

14. {

15. string str = reader.ReadToEnd();

16. reader.Close();

17. }

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 plain copy to clipboard print ?

1. HttpWebRequest request = (HttpWebRequest)HttpWebRequest.Create(url);

注意：HttpWebRequest.Create 返回的类型仍是 WebRequest，所以要转化一下。

其次，使用 CookieContainer。

view plain copy to clipboard print ?

1. System.Net.CookieContainer cc = new System.Net.CookieContainer();

2. request.CookieContainer = cc;

3. 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。

view plain copy to clipboard print ?

1. Session.Add("ccc", cc); //存

3. CookieContainer cc = (CookieContainer)Session["ccc"]; //取

5 抓取网页内容－把当前会话带到 WebRequest 中

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 plain copy to clipboard print ?

1. WebRequest request = WebRequest.Create("url");

2. <SPAN class=key>request.Headers.Add(HttpRequestHeader.Cookie, "ASPSESSIONIDSCATBTAD=KNNDKCNBONBOOBIHHHHAOKDM;");</SPAN>

3. WebResponse response = request.GetResponse();

4. StreamReader reader = new StreamReader(response.GetResponseStream(), System.Text.Encoding.GetEncoding("gb2312"));

5. Response.Write(reader.ReadToEnd());

6. reader.Close();

7. reader.Dispose();

8. 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 plain copy to clipboard print ?

1. <SPAN class=caution>HttpWebRequest</SPAN> request = <SPAN class=caution>(HttpWebRequest)HttpWebRequest</SPAN>.Create("http://127.0.0.1/index.htm");

2. //request.Headers.Add(HttpRequestHeader.Referer, "http://www.cftea.com/"); // 错误

3. //request.Headers[HttpRequestHeader.Referer] = "http://www.cftea.com/"; // 错误

4. <SPAN class=caution>request.Referer</SPAN> = "http://www.cftea.com/"; // 正确

注释掉的两句是不对的，会发生错误：

view plain copy to clipboard print ?

1. 此标头必须使用适当的属性进行修改。

2. 参数名: name

UserAgent 类似。

原文地址：http://blog.csdn.net/highplayer/archive/2010/11/07/5993015.aspx

如何抓取网页数据、分析并且去除Html标签C#

string temp = Regex.Replace(sHtml, "<[^>]*>", "");

如何抓取网页数据、分析并且去除Html标签C#

<@Aattention Content='本Blog原创文章，转载或引用请注明转载' From='Robby.cnblogs.com'@>

由于自己的搜索引擎中做到了这一块内容，所以今天说说如何抓取网页数据、分析并且去除Html标签，给大家提供一个参考。我的平台是Visual Studio2005，C#。

—————————————————————割—————————————————————————

首先将网页内容整个抓取下来，这个我就不说了，不是本次话题的重点。假设抓取的数据放在RecvBuffer这个byte[]中（数据从网络上传输过来时不是字符串的形式而是byte），那么我们的第一步就是将RecvBuffer转化为String，以便于对其操作，实例如下：

// 将接收到的数据增加到响应字符串中

strResponse += Encoding.ASCII.GetStringRecvBuffer, 0, nBytes;

strResponse即是保存数据的字符串，此处用系统自带的System.Text.Encoding的方法转化 RecvBuffer，GetString的第一个参数RecvBuffer就是我们的原始数据，即包含需要解码的字节序列的字节数组；第二个参数0代表第一个要解码的字节的索引，一般就从0开始；第三个参数nBytes为要解码的字节数，可以自己调整。

得到了数据的字符串形式，然后可以对网页进行解析了（其实就是对字符串的各种操作和正则表达式的应用）。下面我以几个例子来说明对网页数据的解析：

// 解析页面，查找链接

// 此处尚需扩展，还有某些形式的链接不被识别

MatchCollection matches = new RegexstrRef.MatchesstrResponse;

strStatus += '找到: '+matches.Count+' 个链接rn';

上面的例子将网页中的链接解析出来，strRef变量表示了正则表达式的模式，变量matches表示符合匹配的项目的集合，后面的 RegexstrRef.MatchesstrResponse就是创建正则规则使得strResponse里符合strRef模式的字符串都返回。然后调用matches的变量就可以取得各种信息了。

当然，这里只能识别一些基本的链接形式，像script中的链接和一些不带“”的链接都没有被支持，这个的扩展还是蛮简单的。

再举几个更简单点的解析的例子，大家学习学习：

//获取标题

Match TitleMatch = Regex.MatchstrResponse, '<title>[<]*</title>', RegexOptions.IgnoreCase | RegexOptions.Multiline;

title = TitleMatch.Groups[1].Value;

//获取描述信息

Match Desc = Regex.MatchstrResponse, '<Meta name='DESCRIPTION' content='[<]*'>', RegexOptions.IgnoreCase | RegexOptions.Multiline;

strdesc = Desc.Groups[1].Value;

//获取网页的大小

size = strResponse.Length;

—————————————————————割—————————————————————————

好了，下面说一下如何去除Html标签，这个想必有很多初学者很需要。其实还是正则表达式和字符串基本操作的应用，由于这个功能还是比较常用的，所以例子写成了函数，便于调用：

/// <summary>

/// 将Html标签转化为空格

/// </summary>

/// <param name='strHtml'>待转化的字符串</param>

/// <returns>经过转化的字符串</returns>

private string stripHtmlstring strHtml

{

Regex objRegExp = new Regex'<.|n+?>';

string strOutput = objRegExp.ReplacestrHtml, '';

strOutput = strOutput.Replace'<', '<';

strOutput = strOutput.Replace'>', '>';

return strOutput;

}

ok，这样一来Html标签就基本没了，但是有些例外会使得去除不干净，所以建议连续两次转化，这样就搞定了。但是还没结束，如果你留意的话，可以看到上面的函数其实是将Html标签转化为了空格。太多连续的空格会影响之后对字符串的操作。所以再加入这样的语句：

//把所有空格变为一个空格

Regex r = new Regex@'s+';

wordsOnly = r.ReplacestrResponse, ' ';

wordsOnly.Trim;

好了，大功告成，这里的wordsOnly便是我们最终的成果----去除了Html标签，并去除了多余空格的字符串。

希望对大家有用！

原文地址：http://hi.baidu.com/zzcc_8/blog/item/d600befb7cc7df1f6d22ebd1.html

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。