asp.net c# 抓取页面信息方法介绍

时间:2022-09-01 19:59:51

一:网页更新 
我们知道,一般网页中的信息是不断翻新的,这也要求我们定期的去抓这些新信息,但是这个“定期”该怎么理解,也就是多长时间需要抓一次该页面,其实这个定期也就是页面缓存时间,在页面的缓存时间内我们再次抓取该网页是没有必要的,反而给人家服务器造成压力。 
就比如说我要抓取博客园首页,首先清空页面缓存, 
asp.net c# 抓取页面信息方法介绍
从Last-Modified到Expires,我们可以看到,博客园的缓存时间是2分钟,而且我还能看到当前的服务器时间Date,如果我再次 

刷新页面的话,这里的Date将会变成下图中 If-Modified-Since,然后发送给服务器,判断浏览器的缓存有没有过期? 
asp.net c# 抓取页面信息方法介绍
最后服务器发现If-Modified-Since >= Last-Modifined的时间,服务器也就返回304了,不过发现这cookie信息真是贼多啊 。
asp.net c# 抓取页面信息方法介绍
在实际开发中,如果在知道网站缓存策略的情况下,我们可以让爬虫2min爬一次就好了,当然这些都是可以由数据团队来配置维护了, 好了,下面我们用爬虫模拟一下。 

复制代码代码如下:


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; 

//如果服务器返回状态是200,则认为网页已更新,记得当时的服务器时间 
if (code == HttpStatusCode.OK) 

prevDateTime = Convert.ToDateTime(response.Headers[HttpResponseHeader.Date]); 


Console.WriteLine("当前服务器的状态码:{0}", code); 

catch (WebException ex) 

if (ex.Response != null) 

var code = (ex.Response as HttpWebResponse).StatusCode; 

Console.WriteLine("当前服务器的状态码:{0}", code); 





}


asp.net c# 抓取页面信息方法介绍
二:网页编码的问题 

有时候我们已经抓取到网页了,准备去解析的时候,tmd的全部是乱码,真是操蛋,比如下面这样, 
asp.net c# 抓取页面信息方法介绍

或许我们依稀的记得在html的meta中有一个叫做charset的属性,里面记录的就是编码方式,还有一个要点就是response.CharacterSet这个属性中同样也记录了编码方式,下面我们再来试试看。 
asp.net c# 抓取页面信息方法介绍
居然还是乱码,蛋疼了,这次需要到官网上面去看一看,到底http头信息里面都交互了些什么,凭什么浏览器能正常显示,爬虫爬过来的就不行。 
asp.net c# 抓取页面信息方法介绍
查看了http头信息,终于我们知道了,浏览器说我可以解析gzip,deflate,sdch这三种压缩方式,服务器发送的是gzip压缩,到这里我们也应该知道了常用的web性能优化。 

复制代码代码如下:


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(); 


}


asp.net c# 抓取页面信息方法介绍
三:网页解析 

既然经过千辛万苦拿到了网页,下一个就要解析了,当然正则匹配是个好方法,毕竟工作量还是比较大的,可能业界也比较推崇 HtmlAgilityPack这个解析工具,能够将Html解析成XML,然后可以用XPath去提取指定的内容,大大提高了开发速度,性能也不赖,毕竟Agility也就是敏捷的意思,关于XPath的内容,大家看懂W3CSchool的这两张图就OK了。 
asp.net c# 抓取页面信息方法介绍

复制代码代码如下:


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 /> asp.net c# 抓取页面信息方法介绍
好了,打完收工,睡觉。。。