一：網(wǎng)頁更新
我們知道，一般網(wǎng)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(gè)“定期”該怎么理解，也就是多長時(shí)間需要抓一次該頁面，其實(shí)這個(gè)定期也就是頁面緩存時(shí)間，在頁面的緩存時(shí)間內(nèi)我們再次抓取該網(wǎng)頁是沒有必要的，反而給人家服務(wù)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(shí)間是2分鐘，而且我還能看到當(dāng)前的服務(wù)器時(shí)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(wù)器，判斷瀏覽器的緩存有沒有過期？
最后服務(wù)器發(fā)現(xiàn)If-Modified-Since >= Last-Modifined的時(shí)間，服務(wù)器也就返回304了，不過發(fā)現(xiàn)這cookie信息真是賊多啊 。
在實(shí)際開發(fā)中，如果在知道網(wǎng)站緩存策略的情況下，我們可以讓爬蟲2min爬一次就好了，當(dāng)然這些都是可以由數(shù)據(jù)團(tuán)隊(duì)來配置維護(hù)了， 好了，下面我們用爬蟲模擬一下。
復(fù)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(wù)器返回狀態(tài)是200，則認(rèn)為網(wǎng)頁已更新，記得當(dāng)時(shí)的服務(wù)器時(shí)間
if (code == HttpStatusCode.OK)
{
prevDateTime = Convert.ToDateTime(response.Headers[HttpResponseHeader.Date]);
}
Console.WriteLine("當(dāng)前服務(wù)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(dāng)前服務(wù)器的狀態(tài)碼:{0}", code);
}
}
}
}
}
}
二：網(wǎng)頁編碼的問題
有時(shí)候我們已經(jīng)抓取到網(wǎng)頁了，準(zhǔn)備去解析的時(shí)候，tmd的全部是亂碼，真是操蛋，比如下面這樣，
或許我們依稀的記得在html的meta中有一個(gè)叫做charset的屬性，里面記錄的就是編碼方式，還有一個(gè)要點(diǎn)就是response.CharacterSet這個(gè)屬性中同樣也記錄了編碼方式，下面我們再來試試看。
居然還是亂碼，蛋疼了，這次需要到官網(wǎng)上面去看一看，到底http頭信息里面都交互了些什么，憑什么瀏覽器能正常顯示，爬蟲爬過來的就不行。
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(wù)器發(fā)送的是gzip壓縮，到這里我們也應(yīng)該知道了常用的web性能優(yōu)化。
復(fù)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(wǎng)頁解析
既然經(jīng)過千辛萬苦拿到了網(wǎng)頁，下一個(gè)就要解析了，當(dāng)然正則匹配是個(gè)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(gè)解析工具，能夠?qū)tml解析成XML，然后可以用XPath去提取指定的內(nèi)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(guān)于XPath的內(nèi)容，大家看懂W3CSchool的這兩張圖就OK了。
復(fù)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("http://title").InnerText;
//提取keywords
var keywords = document.DocumentNode.SelectSingleNode("http://meta[@name='Keywords']").Attributes["content"].Value;
}
}
}
好了，打完收工，睡覺。。。
您可能感興趣的文章:- C#多線程爬蟲抓取免費(fèi)代理IP的示例代碼
- c# 抓取Web網(wǎng)頁數(shù)據(jù)分析
- C# 抓取網(wǎng)頁內(nèi)容的方法
- C# 實(shí)現(xiàn)抓取網(wǎng)站頁面內(nèi)容的實(shí)例方法
- c# HttpWebRequest通過代理服務(wù)器抓取網(wǎng)頁內(nèi)容應(yīng)用介紹
- C#實(shí)現(xiàn)通過程序自動抓取遠(yuǎn)程Web網(wǎng)頁信息的代碼
- c#根據(jù)網(wǎng)址抓取網(wǎng)頁截屏生成圖片的示例
- 基于C#實(shí)現(xiàn)網(wǎng)絡(luò)爬蟲 C#抓取網(wǎng)頁Html源碼
- C#實(shí)現(xiàn)抓取和分析網(wǎng)頁類實(shí)例
- c#批量抓取免費(fèi)代理并且驗(yàn)證有效性的實(shí)戰(zhàn)教程
