C#网页采集数据的几种方式(WebClient、WebBrowser和HttpWebRequest/HttpWebResponse)

获取网页数据有很多种方式。在这里主要讲述通过WebClient、WebBrowser和HttpWebRequest/HttpWebResponse三种方式获取网页内容。

这里获取的是包括网页的所有信息。如果单纯需要某些数据内容。可以自己构造函数甄别抠除出来！一般的做法是根据源码的格式，用正则来过滤出你需要的内容部分。

一、通过WebClient获取网页内容

这是一种很简单的获取方式，当然，其它的获取方法也很简单。在这里首先要说明的是，如果为了实际项目的效率考虑，需要考虑在函数中分配一个内存区域。大概写法如下

[csharp] view plain copy

print?

1. //MemoryStream是一个支持储存区为内存的流。
2. byte[] buffer = new byte[1024];
3. using (MemoryStream memory = new MemoryStream())
4. {
5. int index = 1, sum = 0;
6. while (index * sum < 100 * 1024)
7. {
8. index = reader.Read(buffer, 0, 1024);
9. if (index > 0)
10. {
11. memory.Write(buffer, 0, index);
12. sum += index;
13. }
14. }
15. //网页通常使用utf-8或gb2412进行编码
16. Encoding.GetEncoding("gb2312").GetString(memory.ToArray());
17. if (string.IsNullOrEmpty(html))
18. {
19. return html;
20. }
21. else
22. {
23. Regex re = new Regex(@"charset=(? charset[/s/S]*?)[ |‘]");
24. Match m = re.Match(html.ToLower());
25. encoding = m.Groups[charset].ToString();
26. }
27. if (string.IsNullOrEmpty(encoding) || string.Equals(encoding.ToLower(), "gb2312"))
28. {
29. return html;
30. }
31. }

好了，现在进入正题，WebClient获取网页数据的代码如下

[csharp] view plain copy

print?

1. //using System.IO;
2. try
3. {
4. WebClient webClient = new WebClient();
5. webClient.Credentials = CredentialCache.DefaultCredentials;//获取或设置用于向Internet资源的请求进行身份验证的网络凭据
6. Byte[] pageData = webClient.DownloadData("http://www.360doc.com/content/11/0427/03/1947337_112596569.shtml");
7. //string pageHtml = Encoding.Default.GetString(pageData);  //如果获取网站页面采用的是GB2312，则使用这句
8. string pageHtml = Encoding.UTF8.GetString(pageData); //如果获取网站页面采用的是UTF-8，则使用这句
9. using (StreamWriter sw = new StreamWriter("e:\\ouput.txt"))//将获取的内容写入文本
10. {
11. htm = sw.ToString();//测试StreamWriter流的输出状态，非必须
12. sw.Write(pageHtml);
13. }
14. }
15. catch (WebException webEx)
16. {
17. Console.W
18. }

二、通过WebBrowser控件获取网页内容

相对来说，这是一种最简单的获取方式。拖WebBrowser控件进去，然后匹配下面这段代码

[csharp] view plain copy

print?

1. WebBrowser web = new WebBrowser();
2. web.Navigate("http://www.163.com");
3. web.DocumentCompleted += new WebBrowserDocumentCompletedEventHandler(web_DocumentCompleted);
4. void web_DocumentCompleted(object sender, WebBrowserDocumentCompletedEventArgs e)
5. {
6. WebBrowser web = (WebBrowser)sender;
7. HtmlElementCollection ElementCollection = web.Document.GetElementsByTagName("Table");
8. foreach (HtmlElement item in ElementCollection)
9. {
10. File.AppendAllText("Kaijiang_xj.txt", item.InnerText);
11. }
12. }

三、使用HttpWebRequest/HttpWebResponse获取网页内容

这是一种比较通用的获取方式。

[csharp] view plain copy

print?

1. public void GetHtml()
2. {
3. var url = "http://www.360doc.com/content/11/0427/03/1947337_112596569.shtml";
4. string strBuff = "";//定义文本字符串，用来保存下载的html
5. int byteRead = 0;
6. HttpWebRequest webRequest = (HttpWebRequest)WebRequest.Create(url);
7. HttpWebResponse webResponse = (HttpWebResponse)webRequest.GetResponse();
8. //若成功取得网页的内容，则以System.IO.Stream形式返回，若失败则产生ProtoclViolationException错 误。在此正确的做法应将以下的代码放到一个try块中处理。这里简单处理
9. Stream reader = webResponse.GetResponseStream();
10. ///返回的内容是Stream形式的，所以可以利用StreamReader类获取GetResponseStream的内容，并以StreamReader类的Read方法依次读取网页源程序代码每一行的内容，直至行尾（读取的编码格式：UTF8）
11. StreamReader respStreamReader = new StreamReader(reader,Encoding.UTF8);
12. ///分段，分批次获取网页源码
13. char[] cbuffer = new char[1024];
14. byteRead = respStreamReader.Read(cbuffer,0,256);
15. while (byteRead != 0)
16. {
17. string strResp = new string(char,0,byteRead);
18. strBuff = strBuff + strResp;
19. byteRead = respStreamReader.Read(cbuffer,0,256);
20. }
21. using (StreamWriter sw = new StreamWriter("e:\\ouput.txt"))//将获取的内容写入文本
22. {
23. htm = sw.ToString();//测试StreamWriter流的输出状态，非必须
24. sw.Write(strBuff);
25. }
26. }