使用HttpWebRequest和HtmlAgilityPack抓取網頁（拒絕亂碼，拒絕正則表達式）

 

廢話不多說， 直接說需求。

公司的網站需要抓取其他網站的文章，但任務沒到我這，同事搞了一下午沒搞出來。由於剛剛到公司， 想證明下自己，就把活攬過來了。因為以前做過，覺得應該很簡單，但當我開始做的時候，我崩潰了，http請求后，得到的是字符串竟然是亂碼，然后就各種百度(谷歌一直崩潰中)，最后找到了原因。由於我要抓取的網頁做了壓縮，所以當我抓的時候，抓過來的是壓縮后的，所以必須解壓一下，如果不解壓，不管用什么編碼方式，結果還是亂碼。直接上代碼：

1 public Encoding GetEncoding(string CharacterSet) 2  { 3 switch (CharacterSet) 4  { 5 case "gb2312": return Encoding.GetEncoding("gb2312"); 6 case "utf-8": return Encoding.UTF8; 7 default: return Encoding.Default; 8  } 9 }

  public string HttpGet(string url)
        {
            string responsestr = "";
            HttpWebRequest req = HttpWebRequest.Create(url) as HttpWebRequest;
            req.Accept = "*/*";
            req.Method = "GET";
            req.UserAgent = "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1";
            using (HttpWebResponse response = req.GetResponse() as HttpWebResponse)
            {
                Stream stream;
                if (response.ContentEncoding.ToLower().Contains("gzip"))
                {
                    stream = new GZipStream(response.GetResponseStream(), CompressionMode.Decompress);
                }
                else if (response.ContentEncoding.ToLower().Contains("deflate"))
                {
                    stream = new DeflateStream(response.GetResponseStream(), CompressionMode.Decompress);
                }
                else
                {
                    stream = response.GetResponseStream();
                }
                using (StreamReader reader = new StreamReader(stream, GetEncoding(response.CharacterSet)))
                {
                    responsestr = reader.ReadToEnd();
                    stream.Dispose();
                }
            }
            return responsestr;
        }

調用HttpGet就可以獲取網址的源碼了，得到源碼后， 現在用一個利器HtmlAgility來解析html了，不會正則不要緊，此乃神器啊。老板再也不用擔心我的正則表達式了。

至於這個神器的用法，園子文章很多，寫的也都挺詳細的，在此不贅余了。

 

下面是抓取園子首頁的文章列表：

 string html = HttpGet("http://www.cnblogs.com/");
            HtmlDocument doc = new HtmlDocument();
            doc.LoadHtml(html);
            //獲取文章列表
            var artlist = doc.DocumentNode.SelectNodes("//div[@class='post_item']");
            foreach (var item in artlist)
            {
                HtmlDocument adoc = new HtmlDocument();
                adoc.LoadHtml(item.InnerHtml);
                var html_a = adoc.DocumentNode.SelectSingleNode("//a[@class='titlelnk']");
                Response.Write(string.Format("標題為：{0}，鏈接為：{1}<br>",html_a.InnerText,html_a.Attributes["href"].Value));
            }

運行結果如圖：

打完收工。

 

 

由於時間倉促，加上本人文筆不行，如有疑問，歡迎吐槽，吐吐更健康。