从网页抓取数据的一般方法 - 代码王子

时间:2024-04-15 14:05:54

从网页抓取数据的一般方法

首先要了解对方网页的运行机制 ,这可以用httpwacth或者httplook来看一下http发送和接收的数据。这两个工具应该说是比较简单易懂的。这里就不再介绍了。主要关注的内容是header和post的内容。一般会包括cookie,Referer页面和其他一些乱其八糟可能看不懂的变量,还有就是正常交互的参数,比如需要post或者get的querystring所包含的东西。

httplook和httpwacth 网上有很多下载的,这里推荐使用httpwach,因为可以直接嵌入到ie中,个人觉得这个比较好用。这两个工具可以到我上传在****的资源中下载,地址为

http://download.****.net/user/jinjazz

这里简单给出一段可以抓取数据的c#代码,比如登录某个网站,获取登录成功后的html代码,供数据分析使用。

private   void  login()
        
{
            System.Net.WebClient wb 
=   new  System.Net.WebClient();

            System.Collections.Specialized.NameValueCollection header 
=   new  System.Collections.Specialized.NameValueCollection();
            header.Add(
" Cookie " " czJ_cookietime=2592000; czJ_onlineusernum=1651; czJ_sid=w4bGJd " );
            header.Add(
" Referer " @" http://www.test_by_jinjazz.com.cn/bbs/login.php " );
            wb.Headers.Add(header);
            System.Collections.Specialized.NameValueCollection data 
=   new  System.Collections.Specialized.NameValueCollection();
            data.Add(
" formhash " " ebd2faac " );
            data.Add(
" referer " " http://www.test_by_jinjazz.com.cn/bbs/search.php " );
            data.Add(
" loginfield " " username " );
            data.Add(
" username " " jinjazz " );
            data.Add(
" password " " 999 " );
            data.Add(
" questionid " " 0 " );
            data.Add(
" answer " "" );
            data.Add(
" cookietime " " 2592000 " );
            data.Add(
" loginmode " "" );
            data.Add(
" styleid " "" );
            data.Add(
" loginsubmit " " 提交 " );

            
byte [] b  =  wb.UploadValues( " http://www.test_by_jinjazz.com.cn/bbs/login.php " " Post " , data);
            
string  strData  =  System.Text.Encoding.Default.GetString(b);
            Console.WriteLine(strData);
        }

以上代码除了三个url之外其他数据都是真实的,其中header和data中的参数和值都是用httpwatch来监测后得到。