C#網頁采集數據的幾種方式(WebClient、WebBrowser和HttpWebRequest/HttpWebResponse)

一、通過WebClient獲取網頁內容

這是一種很簡單的獲取方式，當然，其它的獲取方法也很簡單。在這里首先要說明的是，如果為了實際項目的效率考慮，需要考慮在函數中分配一個內存區域。大概寫法如下

//MemoryStream是一個支持儲存區為內存的流。
 byte[] buffer = new byte[1024];
 using (MemoryStream memory = new MemoryStream())
    {
    int index = 1, sum = 0;
    while (index * sum < 100 * 1024)
    {
       index = reader.Read(buffer, 0, 1024);
       if (index > 0)
       {
           memory.Write(buffer, 0, index);
            sum += index;
       }
    }
    //網頁通常使用utf-8或gb2412進行編碼
    Encoding.GetEncoding("gb2312").GetString(memory.ToArray());
    if (string.IsNullOrEmpty(html))
    {
        return html;
    }
    else
    {
        Regex re = new Regex(@"charset=(? charset[/s/S]*?)[ |']");
        Match m = re.Match(html.ToLower());
        encoding = m.Groups[charset].ToString();
    }
    if (string.IsNullOrEmpty(encoding) || string.Equals(encoding.ToLower(), "gb2312"))
    {
       return html;
    }
}

好了，現在進入正題，WebClient獲取網頁數據的代碼如下

//using System.IO;
try
{
    WebClient webClient = new WebClient();
    webClient.Credentials = CredentialCache.DefaultCredentials;//獲取或設置用於向Internet資源的請求進行身份驗證的網絡憑據
    Byte[] pageData = webClient.DownloadData("http://www.360doc.com/content/11/0427/03/1947337_112596569.shtml");
    //string pageHtml = Encoding.Default.GetString(pageData);  //如果獲取網站頁面采用的是GB2312，則使用這句
    string pageHtml = Encoding.UTF8.GetString(pageData); //如果獲取網站頁面采用的是UTF-8，則使用這句
    using (StreamWriter sw = new StreamWriter("e:\\ouput.txt"))//將獲取的內容寫入文本
    {
        htm = sw.ToString();//測試StreamWriter流的輸出狀態，非必須
        sw.Write(pageHtml);
    }
}
catch (WebException webEx)
{
    Console.W
}

 

二、通過WebBrowser控件獲取網頁內容

相對來說，這是一種最簡單的獲取方式。拖WebBrowser控件進去，然后匹配下面這段代碼

WebBrowser web = new WebBrowser();
web.Navigate("http://www.163.com");
web.DocumentCompleted += new WebBrowserDocumentCompletedEventHandler(web_DocumentCompleted);
void web_DocumentCompleted(object sender, WebBrowserDocumentCompletedEventArgs e)
{
     WebBrowser web = (WebBrowser)sender;
     HtmlElementCollection ElementCollection = web.Document.GetElementsByTagName("Table");
     foreach (HtmlElement item in ElementCollection)
     {
         File.AppendAllText("Kaijiang_xj.txt", item.InnerText);
     }
}

 

三、使用HttpWebRequest/HttpWebResponse獲取網頁內容

這是一種比較通用的獲取方式。

public void GetHtml()
     {
         var url = "http://www.360doc.com/content/11/0427/03/1947337_112596569.shtml";
         string strBuff = "";//定義文本字符串，用來保存下載的html
         int byteRead = 0;

         HttpWebRequest webRequest = (HttpWebRequest)WebRequest.Create(url);
         HttpWebResponse webResponse = (HttpWebResponse)webRequest.GetResponse();
         //若成功取得網頁的內容，則以System.IO.Stream形式返回，若失敗則產生ProtoclViolationException錯 誤。在此正確的做法應將以下的代碼放到一個try塊中處理。這里簡單處理
         Stream reader = webResponse.GetResponseStream();
         ///返回的內容是Stream形式的，所以可以利用StreamReader類獲取GetResponseStream的內容，並以StreamReader類的Read方法依次讀取網頁源程序代碼每一行的內容，直至行尾（讀取的編碼格式：UTF8）
         StreamReader respStreamReader = new StreamReader(reader,Encoding.UTF8);

         ///分段，分批次獲取網頁源碼
         char[] cbuffer = new char[1024];
         byteRead = respStreamReader.Read(cbuffer,0,256);

         while (byteRead != 0)
         {
             string strResp = new string(char,0,byteRead);
             strBuff = strBuff + strResp;
             byteRead = respStreamReader.Read(cbuffer,0,256);
         }
         using (StreamWriter sw = new StreamWriter("e:\\ouput.txt"))//將獲取的內容寫入文本
         {
             htm = sw.ToString();//測試StreamWriter流的輸出狀態，非必須
             sw.Write(strBuff);
         }
     }