天堂资源在线,人人妻人人澡人人爽人人sexvip

主頁 > 知識庫 > asp.net c# 抓取頁面信息方法介紹

asp.net c# 抓取頁面信息方法介紹

一：網頁更新
我們知道，一般網頁中的信息是不斷翻新的，這也要求我們定期的去抓這些新信息，但是這個“定期”該怎么理解，也就是多長時間需要抓一次該頁面，其實這個定期也就是頁面緩存時間，在頁面的緩存時間內我們再次抓取該網頁是沒有必要的，反而給人家服務器造成壓力。
就比如說我要抓取博客園首頁，首先清空頁面緩存，

從Last-Modified到Expires，我們可以看到，博客園的緩存時間是2分鐘，而且我還能看到當前的服務器時間Date，如果我再次

刷新頁面的話，這里的Date將會變成下圖中 If-Modified-Since,然后發送給服務器，判斷瀏覽器的緩存有沒有過期？

最后服務器發現If-Modified-Since >= Last-Modifined的時間，服務器也就返回304了，不過發現這cookie信息真是賊多啊。

在實際開發中，如果在知道網站緩存策略的情況下，我們可以讓爬蟲2min爬一次就好了，當然這些都是可以由數據團隊來配置維護了，好了，下面我們用爬蟲模擬一下。

復制代碼代碼如下:

using System; 
using System.Net; 

namespace ConsoleApplication2 
{ 
public class Program 
{ 
static void Main(string[] args) 
{ 
DateTime prevDateTime = DateTime.MinValue; 

for (int i = 0; i  10; i++) 
{ 
try 
{ 
var url = "http://cnblogs.com"; 

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

request.Method = "Head"; 

if (i > 0) 
{ 
request.IfModifiedSince = prevDateTime; 
} 

request.Timeout = 3000; 

var response = (HttpWebResponse)request.GetResponse(); 

var code = response.StatusCode; 

//如果服務器返回狀態是200，則認為網頁已更新，記得當時的服務器時間 
if (code == HttpStatusCode.OK) 
{ 
prevDateTime = Convert.ToDateTime(response.Headers[HttpResponseHeader.Date]); 
} 

Console.WriteLine("當前服務器的狀態碼:{0}", code); 
} 
catch (WebException ex) 
{ 
if (ex.Response != null) 
{ 
var code = (ex.Response as HttpWebResponse).StatusCode; 

Console.WriteLine("當前服務器的狀態碼:{0}", code); 
} 
} 
} 
} 
} 
}

二：網頁編碼的問題

有時候我們已經抓取到網頁了，準備去解析的時候，tmd的全部是亂碼，真是操蛋，比如下面這樣，

或許我們依稀的記得在html的meta中有一個叫做charset的屬性，里面記錄的就是編碼方式，還有一個要點就是response.CharacterSet這個屬性中同樣也記錄了編碼方式，下面我們再來試試看。

居然還是亂碼，蛋疼了，這次需要到官網上面去看一看，到底http頭信息里面都交互了些什么，憑什么瀏覽器能正常顯示，爬蟲爬過來的就不行。

查看了http頭信息，終于我們知道了，瀏覽器說我可以解析gzip,deflate,sdch這三種壓縮方式，服務器發送的是gzip壓縮，到這里我們也應該知道了常用的web性能優化。

復制代碼代碼如下:

using System; 
using System.Collections.Generic; 
using System.Linq; 
using System.Text; 
using System.Threading; 
using HtmlAgilityPack; 
using System.Text.RegularExpressions; 
using System.Net; 
using System.IO; 
using System.IO.Compression; 

namespace ConsoleApplication2 
{ 
public class Program 
{ 
static void Main(string[] args) 
{ 
//var currentUrl = "http://www.mm5mm.com/"; 

var currentUrl = "http://www.sohu.com/"; 

var request = WebRequest.Create(currentUrl) as HttpWebRequest; 

var response = request.GetResponse() as HttpWebResponse; 

var encode = string.Empty; 

if (response.CharacterSet == "ISO-8859-1") 
encode = "gb2312"; 
else 
encode = response.CharacterSet; 

Stream stream; 

if (response.ContentEncoding.ToLower() == "gzip") 
{ 
stream = new GZipStream(response.GetResponseStream(), CompressionMode.Decompress); 
} 
else 
{ 
stream = response.GetResponseStream(); 
} 

var sr = new StreamReader(stream, Encoding.GetEncoding(encode)); 

var html = sr.ReadToEnd(); 
} 
} 
}

三：網頁解析

既然經過千辛萬苦拿到了網頁，下一個就要解析了，當然正則匹配是個好方法，畢竟工作量還是比較大的，可能業界也比較推崇 HtmlAgilityPack這個解析工具，能夠將Html解析成XML，然后可以用XPath去提取指定的內容，大大提高了開發速度，性能也不賴，畢竟Agility也就是敏捷的意思，關于XPath的內容，大家看懂W3CSchool的這兩張圖就OK了。

復制代碼代碼如下:

using System; 
using System.Collections.Generic; 
using System.Linq; 
using System.Text; 
using System.Threading; 
using HtmlAgilityPack; 
using System.Text.RegularExpressions; 
using System.Net; 
using System.IO; 
using System.IO.Compression; 

namespace ConsoleApplication2 
{ 
public class Program 
{ 
static void Main(string[] args) 
{ 
//var currentUrl = "http://www.mm5mm.com/"; 

var currentUrl = "http://www.sohu.com/"; 

var request = WebRequest.Create(currentUrl) as HttpWebRequest; 

var response = request.GetResponse() as HttpWebResponse; 

var encode = string.Empty; 

if (response.CharacterSet == "ISO-8859-1") 
encode = "gb2312"; 
else 
encode = response.CharacterSet; 

Stream stream; 

if (response.ContentEncoding.ToLower() == "gzip") 
{ 
stream = new GZipStream(response.GetResponseStream(), CompressionMode.Decompress); 
} 
else 
{ 
stream = response.GetResponseStream(); 
} 

var sr = new StreamReader(stream, Encoding.GetEncoding(encode)); 

var html = sr.ReadToEnd(); 

sr.Close(); 

HtmlDocument document = new HtmlDocument(); 

document.LoadHtml(html); 

//提取title 
var title = document.DocumentNode.SelectSingleNode("http://title").InnerText; 

//提取keywords 
var keywords = document.DocumentNode.SelectSingleNode("http://meta[@name='Keywords']").Attributes["content"].Value; 
} 
} 
}