码迷,mamicode.com
首页 > Web开发 > 详细

网页数据抓取(B/S)

时间:2016-08-01 19:38:20      阅读:260      评论:0      收藏:0      [点我收藏+]

标签:

C# 抓取网页内容(转)

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:

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:

 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:

 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

    string data = "userName=admin&passwd=admin888";  
    byte[] requestBuffer = System.Text.Encoding.GetEncoding("gb2312").GetBytes(data);  
      
    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();  
    }  
      
    using (StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312")))  
    {  
        string str = reader.ReadToEnd();  
        reader.Close();  
    }  

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:

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。

    System.Net.CookieContainer cc = new System.Net.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。

    Session.Add("ccc", cc); //
      
    CookieContainer cc = (CookieContainer)Session["ccc"]; //

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。

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

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

    <SPAN class=caution>HttpWebRequest</SPAN> request = <SPAN class=caution>(HttpWebRequest)HttpWebRequest</SPAN>.Create("http://127.0.0.1/index.htm");  
    //request.Headers.Add(HttpRequestHeader.Referer, "http://www.cftea.com/"); // 错误   
    //request.Headers[HttpRequestHeader.Referer] = "http://www.cftea.com/"; // 错误   
    <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:

  1. 此标头必须使用适当的属性进行修改。  
  2. 参数名: name  

网页数据抓取(B/S)

标签:

原文地址:http://www.cnblogs.com/AlexZha/p/5726905.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!