抓取頁面信息方法介紹

更新時間：2012年11月08日 10:20:39 投稿：whsnow

我們知道，一般網頁中的信息是不斷翻新的，這也要求我們定期的去抓這些新信息，但是這個“定期”該怎么理解，也就是多長時間需要
抓一次該頁面，其實這個定期也就是頁面緩存時間，在頁面的緩存時間內我們再次抓取該網頁是沒有必要的，反而給人家服務器造成壓力

一：網頁更新
我們知道，一般網頁中的信息是不斷翻新的，這也要求我們定期的去抓這些新信息，但是這個“定期”該怎么理解，也就是多長時間需要抓一次該頁面，其實這個定期也就是頁面緩存時間，在頁面的緩存時間內我們再次抓取該網頁是沒有必要的，反而給人家服務器造成壓力。
就比如說我要抓取博客園首頁，首先清空頁面緩存，

從Last-Modified到Expires，我們可以看到，博客園的緩存時間是2分鐘，而且我還能看到當前的服務器時間Date，如果我再次

刷新頁面的話，這里的Date將會變成下圖中 If-Modified-Since,然后發(fā)送給服務器，判斷瀏覽器的緩存有沒有過期？

最后服務器發(fā)現If-Modified-Since >= Last-Modifined的時間，服務器也就返回304了，不過發(fā)現這cookie信息真是賊多啊。

在實際開發(fā)中，如果在知道網站緩存策略的情況下，我們可以讓爬蟲2min爬一次就好了，當然這些都是可以由數據團隊來配置維護了，好了，下面我們用爬蟲模擬一下。

復制代碼代碼如下:

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;

//如果服務器返回狀態(tài)是200，則認為網頁已更新，記得當時的服務器時間
if (code == HttpStatusCode.OK)
{
prevDateTime = Convert.ToDateTime(response.Headers[HttpResponseHeader.Date]);
}

Console.WriteLine("當前服務器的狀態(tài)碼:{0}", code);
}
catch (WebException ex)
{
if (ex.Response != null)
{
var code = (ex.Response as HttpWebResponse).StatusCode;

Console.WriteLine("當前服務器的狀態(tài)碼:{0}", code);
}
}
}
}
}
}

二：網頁編碼的問題

或許我們依稀的記得在html的meta中有一個叫做charset的屬性，里面記錄的就是編碼方式，還有一個要點就是response.CharacterSet這個屬性中同樣也記錄了編碼方式，下面我們再來試試看。

查看了http頭信息，終于我們知道了，瀏覽器說我可以解析gzip,deflate,sdch這三種壓縮方式，服務器發(fā)送的是gzip壓縮，到這里我們也應該知道了常用的web性能優(yōu)化。

復制代碼代碼如下:

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();
}
}
}

三：網頁解析

既然經過千辛萬苦拿到了網頁，下一個就要解析了，當然正則匹配是個好方法，畢竟工作量還是比較大的，可能業(yè)界也比較推崇 HtmlAgilityPack這個解析工具，能夠將Html解析成XML，然后可以用XPath去提取指定的內容，大大提高了開發(fā)速度，性能也不賴，畢竟Agility也就是敏捷的意思，關于XPath的內容，大家看懂W3CSchool的這兩張圖就OK了。

復制代碼代碼如下:

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 title = document.DocumentNode.SelectSingleNode("//title").InnerText;

//提取keywords
var keywords = document.DocumentNode.SelectSingleNode("//meta[@name='Keywords']").Attributes["content"].Value;
}
}
}