用C#开发蜘蛛网络爬虫采集程序（附源码）（一）

开发爬虫程序首先要先得到Web页面的HTML代码，微软已经为我们提供了很方便的方法，我们可以用WebClient或WebRequest、HttpWebResponse来很容易的得到网站页面的HTML代码。最后已经提供源码下载。

 

先举例用WebClient得到HTML代码的方法。

    private string getHTML(string strUrl,Encoding encoding)
    {
        Uri url = new Uri(strUrl);
        WebClient wc = new WebClient();
        wc.Encoding = encoding;
        Stream s = wc.OpenRead(url);
        StreamReader sr = new StreamReader(s, encoding);
        return sr.ReadToEnd();
    }

 

调用的时候需要知道页面的编码方式，后面会给大家举个不需要知道编码方式的例子。先看一下调用的方法：

string html = getHTML("http://www.baidu.com", Encoding.GetEncoding("GB2312"));

 

 

接下来就是重点了，用WebRequest、HttpWebResponse来获取页面的HTML代码，而且只需要传递进去一个URL就可以了，编码方式可以由程序来分析，虽然还不太完美，但大部分网站都能识别出来。

先用WebRequest初始化一个实列，然后用GetResponse请求得到的响应返回给HttpWebResponse，通过response.StatusDescription就可以得到编码方式的代码，通过分析得到我们需要的网页编码方式，最后将HTML代码读出来就可以了。

    private void getHTMLbyWebRequest(string strUrl)
    {
        Encoding encoding = System.Text.Encoding.Default;
        WebRequest request = WebRequest.Create(strUrl);
        request.Credentials = CredentialCache.DefaultCredentials;
        HttpWebResponse response = (HttpWebResponse)request.GetResponse();
        if (response.StatusDescription.ToUpper() == "OK")
        {
            switch (response.CharacterSet.ToLower())
            {
                case "gbk":
                    encoding = Encoding.GetEncoding("GBK");//貌似用GB2312就可以
                    break;
                case "gb2312":
                    encoding = Encoding.GetEncoding("GB2312");
                    break;
                case "utf-8":
                    encoding = Encoding.UTF8;
                    break;
                case "big5":
                    encoding = Encoding.GetEncoding("Big5");
                    break;
                case "iso-8859-1":
                    encoding = Encoding.UTF8;//ISO-8859-1的编码用UTF-8处理，致少优酷的是这种方法没有乱码
                    break;
                default:
                    encoding = Encoding.UTF8;//如果分析不出来就用的UTF-8
                    break;
            }
            this.Literal1.Text = "Lenght:" + response.ContentLength.ToString() + "<br>CharacterSet:" + response.CharacterSet + "<br>Headers:" + response.Headers + "<br>";
            Stream dataStream = response.GetResponseStream();
            StreamReader reader = new StreamReader(dataStream, encoding);
            string responseFromServer = reader.ReadToEnd();
            this.TextBox2.Text = responseFromServer;
            FindLink(responseFromServer);
            this.TextBox2.Text = ClearHtml(responseFromServer);
            
            reader.Close();
            dataStream.Close();
            response.Close();
        }
        else
        {
            this.TextBox2.Text = "Error";
        }
    }

 

这样网页的HTML代码就已经得到了，接下来就是处理链接和过滤掉没用的HTML代码并把文本内容保留下来了。

 

 用C#开发蜘蛛网络爬虫采集程序（一）

 用C#开发蜘蛛网络爬虫采集程序（二）