C# HttpWebRequest访问页面时自动识别编码

Posted 2023-02-19 crystal_lz

C# HttpWebRequest访问页面时自动识别编码

有时候难免会用到需要去访问页面内容的时候 然后就习惯性的先百度一下 C#如何根据一个URL去访问一个页面的内容 百度出来有很多结果 直接复制一个方法下来就用 但是那些方法普遍都存在一个问题 就是页面内容的编码 不是在方法中写死的就是 方法需要接收一个Encoding参数进去 最开始我也没有在意写死就写死呗 反正我都是用代码去访问固定的页面 那个页面什么编码我就填写什么编码 直到有一天需要编写一个爬虫的时候 反正这样子行不通的 不可能固定一个编码进去每个网站的编码不一定都是一样的 所以需要自己去获取编码了 然后又去网上找了一下 怎么自动识别编码 感觉都不靠谱 然后就自己研究了一下

先来看看最开始我的写法 大概是下面这样的代码：

public static string GetUrlhtml(string strUrl, Encoding encoding, int nTimeOut) 
    HttpWebRequest httpWebRequest = null;
    HttpWebResponse httpWebRespones = null;
    string strHtml = string.Empty;
    if (!Regex.IsMatch(strUrl, @"^https?://", RegexOptions.IgnoreCase)) 
        strUrl = "http://" + strUrl;
    httpWebRequest = WebRequest.Create(strUrl) as HttpWebRequest;
    httpWebRequest.Timeout = nTimeOut;
    httpWebRequest.ReadWriteTimeout = 60000;
    httpWebRequest.AllowAutoRedirect = true;
    httpWebRequest.UserAgent = 
        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; .NET CLR 2.0.50727; Maxthon 2.0)";
    httpWebRespones = (HttpWebResponse)httpWebRequest.GetResponse();
    //判断页面类型 如果不是页面返回空字符
    if (httpWebRespones.ContentType.ToLower().IndexOf("text/html") == -1) 
        httpWebRespones.Close();
        return string.Empty;
    
    using (Stream stream = httpWebRespones.GetResponseStream()) 
        //这里的encoding是传进来的 和写死没有什么区别
        using (StreamReader reader = new StreamReader(stream, encoding)) 
            strHtml = reader.ReadToEnd();
        
    
    return strHtml;

然后我就在想能不能不直接用StreamReader去直接读取文本类容 而是直接把数据读取到一个byte[]数组里面 当然这些数据是文本类容的二进制形式 如果可以这样那就好办多了 就可以通过Encoding.GetString()来得到文本类容 大不了我解码两次 先用随便用一个编码去解码就算是乱码 英文和数字也会保持原样 这就够了 因为我要在里面去匹配 charset 之类的东西通常一些页面不都有一个meta标签吗 里面有指定编码 然后我在里面获取到了正确的编码后 再用获取到的编码来重新解码Encoding.GetEncoding(charset).GetString()这样就能搞定了

然后我就开始研究了一下那个stream我想把里面的数据直接保存到一个byte[]里面去 而不是给一个StreamReader 我看到Stream有一个Length的属性 然后我就在想 既然有长度那我就可以创建一个指定长度的byte[]然后再用Stream的Read方法把数据读取进去 不过貌似程序运行的时候取Length的时候会报错 然后我发现有ReadByte方法 貌似可以使用 但是这个东西只能读取出一个byte然后我创建了一个List来保存byte最后在ToArray()就行了

大概代码如下：

public static string GetUrlHtml(string strUrl, int nTimeOut) 
    HttpWebRequest httpWebRequest = null;
    HttpWebResponse httpWebRespones = null;
    string strHtml = string.Empty;
    if (!Regex.IsMatch(strUrl, @"^https?://", RegexOptions.IgnoreCase)) 
        strUrl = "http://" + strUrl;
    httpWebRequest = WebRequest.Create(strUrl) as HttpWebRequest;
    httpWebRequest.Timeout = nTimeOut;
    httpWebRequest.ReadWriteTimeout = 60000;
    httpWebRequest.AllowAutoRedirect = true;
    httpWebRequest.UserAgent = 
        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; .NET CLR 2.0.50727; Maxthon 2.0)";
    httpWebRespones = (HttpWebResponse)httpWebRequest.GetResponse();
    if (httpWebRespones.ContentType.ToLower().IndexOf("text/html") == -1) 
        httpWebRespones.Close();
        return string.Empty;
    
    using (Stream stream = httpWebRespones.GetResponseStream()) 
        List<byte> lst = new List<byte>();
        int nRead = 0;
        while ((nRead = stream.ReadByte()) != -1) lst.Add((byte)nRead);
        byte[] byHtml = lst.ToArray();
        //utf8的编码比较多 所以默认先用他解码
        strHtml = Encoding.UTF8.GetString(byHtml, 0, byHtml.Length);
        //就算编码没对也不会影响英文和数字的显示 然后匹配真正编码
        string strCharSet = 
            Regex.Match(strHtml, @"<meta.*?charset=""?([a-z0-9-]+)\\b", RegexOptions.IgnoreCase)
            .Groups[1].Value;
        //如果匹配到了标签并且不是utf8 那么重新解码一次
        if (strCharSet != "" && (strCharSet.ToLower().IndexOf("utf") == -1)) 
            try 
                strHtml = Encoding.GetEncoding(strCharSet).GetString(byHtml, 0, byHtml.Length);
             catch  
        
    
    return strHtml;

 在百度的时候 有说可以用httpWebRespones取出html的头 里面或许有编码 但是我试了好多 发现里面都没有 然后又不想去研究那些类的具体用法 所以就解析两次算了

[仅供参考]