C#网页采集数据的几种方式(WebClient、WebBrowser和HttpWebRequest/HttpWebResponse)

一、通过WebClient获取网页内容

这是一种很简单的获取方式，当然，其它的获取方法也很简单。在这里首先要说明的是，如果为了实际项目的效率考虑，需要考虑在函数中分配一个内存区域。大概写法如下

//MemoryStream是一个支持储存区为内存的流。
 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;
       }
    }
    //网页通常使用utf-8或gb2412进行编码
    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，现在进入正题，WebClient获取网页数据的代码如下

//using System.IO;
try
{
    WebClient webClient = new WebClient();
    webClient.Credentials = CredentialCache.DefaultCredentials;//获取或设置用于向Internet资源的请求进行身份验证的网络凭据
    Byte[] pageData = webClient.DownloadData("http://www.360doc.com/content/11/0427/03/1947337_112596569.shtml");
    //string pageHtml = Encoding.Default.GetString(pageData);  //如果获取网站页面采用的是GB2312，则使用这句
    string pageHtml = Encoding.UTF8.GetString(pageData); //如果获取网站页面采用的是UTF-8，则使用这句
    using (StreamWriter sw = new StreamWriter("e:\\ouput.txt"))//将获取的内容写入文本
    {
        htm = sw.ToString();//测试StreamWriter流的输出状态，非必须
        sw.Write(pageHtml);
    }
}
catch (WebException webEx)
{
    Console.W
}

 

二、通过WebBrowser控件获取网页内容

相对来说，这是一种最简单的获取方式。拖WebBrowser控件进去，然后匹配下面这段代码

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获取网页内容

这是一种比较通用的获取方式。

public void GetHtml()
     {
         var url = "http://www.360doc.com/content/11/0427/03/1947337_112596569.shtml";
         string strBuff = "";//定义文本字符串，用来保存下载的html
         int byteRead = 0;

         HttpWebRequest webRequest = (HttpWebRequest)WebRequest.Create(url);
         HttpWebResponse webResponse = (HttpWebResponse)webRequest.GetResponse();
         //若成功取得网页的内容，则以System.IO.Stream形式返回，若失败则产生ProtoclViolationException错 误。在此正确的做法应将以下的代码放到一个try块中处理。这里简单处理
         Stream reader = webResponse.GetResponseStream();
         ///返回的内容是Stream形式的，所以可以利用StreamReader类获取GetResponseStream的内容，并以StreamReader类的Read方法依次读取网页源程序代码每一行的内容，直至行尾（读取的编码格式：UTF8）
         StreamReader respStreamReader = new StreamReader(reader,Encoding.UTF8);

         ///分段，分批次获取网页源码
         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"))//将获取的内容写入文本
         {
             htm = sw.ToString();//测试StreamWriter流的输出状态，非必须
             sw.Write(strBuff);
         }
     }