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。

[c-sharp] view plaincopy

1. private string GetGeneralContent(string strUrl)
2. {
3. string strMsg = string.Empty;
4. try
5. {
6. WebRequest request = WebRequest.Create(strUrl);
7. WebResponse response = request.GetResponse();
8. StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312"));
9. strMsg = reader.ReadToEnd();
10. reader.Close();
11. reader.Dispose();
12. response.Close();
13. }
14. catch
15. { }
16. return strMsg;
17. }

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

[c-sharp] view plaincopy

1. private string GetFileContent(string strUrl)
2. {
3. string strMsg = string.Empty;
4. try
5. {
6. WebRequest request = WebRequest.Create(strUrl);
7. WebResponse response = request.GetResponse();
8. Stream reader = response.GetResponseStream();
9. //可根据实际保存为具体文件
10. FileStream writer = new FileStream("D://logo.gif", FileMode.OpenOrCreate, FileAccess.Write);
11. byte[] buff = new byte[512];
12. int c = 0; //实际读取的字节数
13. while ((c=reader.Read(buff, 0, buff.Length)) > 0)
14. {
15. writer.Write(buff, 0, c);
16. }
17. writer.Close();
18. writer.Dispose();
19. reader.Close();
20. reader.Dispose();
21. response.Close();
22. strMsg = "保存成功";
23. }
24. catch
25. { }
26. return strMsg;
27. }

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：

[c-sharp] view plaincopy

1. private string GetPostContent(string strUrl)
2. {
3. string strMsg = string.Empty;
4. try
5. {
6. string data = "userName=admin&passwd=admin888";
7. byte[] requestBuffer = System.Text.Encoding.GetEncoding("gb2312").GetBytes(data);
8. WebRequest request = WebRequest.Create(strUrl);
9. request.Method = "POST";
10. request.ContentType = "application/x-www-form-urlencoded";
11. request.ContentLength = requestBuffer.Length;
12. using (Stream requestStream = request.GetRequestStream())
13. {
14. requestStream.Write(requestBuffer, 0, requestBuffer.Length);
15. requestStream.Close();
16. }
17. WebResponse response = request.GetResponse();
18. using (StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.GetEncoding("gb2312")))
19. {
20. strMsg = reader.ReadToEnd();
21. reader.Close();
22. }
23. }
24. catch
25. { }
26. return strMsg;
27. }

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：

[c-sharp] view plaincopy

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

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

其次，使用 CookieContainer。

[c-sharp] view plaincopy

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。

[c-sharp] view plaincopy

1. Session.Add("ccc", cc); //存
2. CookieContainer cc = (CookieContainer)Session["ccc"]; //取

如：

[c-sharp] view plaincopy

1. HttpWebRequest request = (HttpWebRequest)HttpWebRequest.Create(strUrl);
2. //同一页面
3. //HttpWebRequest request2 = (HttpWebRequest)HttpWebRequest.Create(strUrl);
4. //System.Net.CookieContainer cc = new CookieContainer();
5. //request.CookieContainer = cc;
6. //request2.CookieContainer = cc;
7. //不同页面,具体使用时需要将request,request2分开
8. object obj = Session["ccc"];
9. if (obj == null)
10. {
11. CookieContainer cc = new CookieContainer();
12. //requestr的保存
13. Session.Add("ccc", cc);
14. }
15. string strUrl2 = "";
16. HttpWebRequest request2 = (HttpWebRequest)HttpWebRequest.Create(strUrl2);
17. //取出来
18. CookieContainer cc2 = (CookieContainer)Session["ccc"];
19. request2.CookieContainer = cc2;
20. //再进行下一步处理

6、ASP.NET 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。

[c-sharp] view plaincopy

1. WebRequest request = WebRequest.Create("url");
2. request.Headers.Add(HttpRequestHeader.Cookie, "ASPSESSIONIDSCATBTAD=KNNDKCNBONBOOBIHHHHAOKDM;");
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。

7、ASP.NET 抓取网页内容－如何更改来源 Referer 和 UserAgent

[c-sharp] view plaincopy

1. HttpWebRequest request = (HttpWebRequest)HttpWebRequest.Create("http://127.0.0.1/index.htm");
2. request.Referer = "http://www.csdn.net/";
3. request.UserAgent = "要设置的标头";
4. //下一步的处理

源：http://www.cftea.com/c/2008/07/B0AUNSSUA1NQCVIF.asp