以一种"廉价"的方式获取页面的标题(downmoon)

有朋友问到：
“我需要得到一个web page的title，因为这个title一般都比较靠前，只要取得html 的前面少量内容就可以了。因为要取得很多个页面的title,如果下载整个html code，肯定比较浪费时间。.net好像没有现成的类可以干这件事情(取得部分html) ，我应该如何去实现？”
一种比较"廉价"(即较小成本条件下)的解决思路：
第一步：取出含有页面title部分的最小集合。这是“廉价”的关键！
第二步：用正则表达式取出<title>和</title>之间的部分即可。
先看下效果：
以一种"廉价"的方式获取页面的标题(downmoon)

下面我们来分析：
页面title 一般都在靠近开始处，所以我们从开始读取Stream流，（如果靠近结尾，则如何？）读取到什么地方为止呢？有个比较明显的标志是
</title>
遇到它结束就可以了。
以什么方式读取，我这里选取的是：逐行读取，取到标志符即终止。
方法如下：

#region 获取所需要的页面内容 /// <summary> /// 获取所需要的页面内容 by tony 2009.9,16 /// 邀月(downmoon)：[email protected] /// <param name="strUrl">所要查找的远程网页地址</param> /// <param name="timeout">超时时长设置，一般设置为8000</param> /// <param name="enterType">是否输出换行符，0不输出，1输出文本框换行</param> /// <param name="EnCodeType">编码方式</param> /// <returns></returns> public static string GetRequestString(string strUrl, int timeout, int enterType, Encoding EnCodeType) { if (strUrl.Equals("about:blank")) return null; ; if (!strUrl.StartsWith("http://") && !strUrl.StartsWith("https://")) { strUrl = "http://" + strUrl; } string strResult = string.Empty; System.IO.StreamReader sr = null; string temp = string.Empty; try { HttpWebRequest myReq = (HttpWebRequest)HttpWebRequest.Create(strUrl); myReq.Timeout = timeout; myReq.UserAgent = "User-Agent:Mozilla/5.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 2.0.40607; .NET CLR 1.1.4322; .NET CLR 3.5.30729)"; myReq.Accept = "*/*"; myReq.KeepAlive = true; myReq.Headers.Add("Accept-Language", "zh-cn,en-us;q=0.5"); HttpWebResponse HttpWResp = (HttpWebResponse)myReq.GetResponse(); if (HttpWResp.StatusCode == System.Net.HttpStatusCode.OK) { StringBuilder strBuilder = new StringBuilder(); Stream myStream = HttpWResp.GetResponseStream(); sr = new StreamReader(myStream, EnCodeType); string tmp = string.Empty; while ((temp = sr.ReadLine()) != null) { strBuilder.Append(temp); //if has </title> then end by <a title="邀月工作室" href="http://blog.****.net/downmoon/" mce_href="http://blog.****.net/downmoon/" >欢迎与邀月交流,net技术与软件架构</a>(邀月）2009.9.16 tmp = strBuilder.ToString(); if (tmp.IndexOf("</title>") > 0) { break; } if (enterType == 1) { strBuilder.Append("/r/n"); } } strResult = strBuilder.ToString(); return strResult; } return string.Empty; } catch (Exception ex) { //#region Loghandle by Tony 2008.11.21 return strResult; //#endregion } finally { if (sr != null) { sr.Close(); } } } #endregion

#region 获取所需要的页面内容
/// <summary>
/// 获取所需要的页面内容bytony2009.9,16
/// 邀月(downmoon)：[email protected]
/// <paramname="strUrl"> 所要查找的远程网页地址 </param>
/// <paramname="timeout"> 超时时长设置，一般设置为8000 </param>
/// <paramname="enterType"> 是否输出换行符，0不输出，1输出文本框换行 </param>
/// <paramname="EnCodeType"> 编码方式 </param>
/// <returns></returns>
public static string GetRequestString( string strUrl, int timeout, int enterType,EncodingEnCodeType)
{

if (strUrl.Equals( " about:blank " )) return null ;;
if ( ! strUrl.StartsWith( " http:// " ) && ! strUrl.StartsWith( " https:// " )){strUrl = " http:// " + strUrl;}
string strResult = string .Empty;
System.IO.StreamReadersr = null ;
string temp = string .Empty;
try
{
HttpWebRequestmyReq = (HttpWebRequest)HttpWebRequest.Create(strUrl);
myReq.Timeout = timeout;
myReq.UserAgent = " User-Agent:Mozilla/5.0(compatible;MSIE6.0;WindowsNT5.2;SV1;.NETCLR2.0.40607;.NETCLR1.1.4322;.NETCLR3.5.30729) " ;
myReq.Accept = " */* " ;
myReq.KeepAlive = true ;
myReq.Headers.Add( " Accept-Language " , " zh-cn,en-us;q=0.5 " );
HttpWebResponseHttpWResp = (HttpWebResponse)myReq.GetResponse();
if (HttpWResp.StatusCode == System.Net.HttpStatusCode.OK)
{
StringBuilderstrBuilder = new StringBuilder();
StreammyStream = HttpWResp.GetResponseStream();
sr = new StreamReader(myStream,EnCodeType);
string tmp = string .Empty;
while ((temp = sr.ReadLine()) != null )
{
strBuilder.Append(temp);
// ifhas</title>thenendbydownmoon(邀月）2009.9.16
tmp = strBuilder.ToString();
if (tmp.IndexOf( " </title> " ) > 0 ){ break ;}
if (enterType == 1 ){strBuilder.Append( " /r/n " );}
}
strResult = strBuilder.ToString();
return strResult;
}
return string .Empty;
}
catch (Exceptionex)
{
// #regionLoghandlebyTony2008.11.21
return strResult;
// #endregion
}
finally { if (sr != null ){sr.Close();}}
}
#endregion

取出后就是再用正则取出<title>和</title>之间的部分。
这部分浪费了些时间，因为邀月的正则功底不行啊！·
先后试过如下正则表达式：

1 // stringstrRegEx="<[^>]*>";
2 // stringstrRegEx="<title>.*([^</title>])";
3 // stringstrRegEx="<title>(.*?)</title>";
4 // stringstrRegEx="<title>.*?</title>";

均不能达到想要的“经济廉价”的效果，最终，找到这个：

public static string GetContextByHtml(string sHtml) { //string regex="(<title[>])(.*)(<//title>)"; string regex = @"(?<=<title.*>)([/s/S]*)(?=</title>)"; System.Text.RegularExpressions.Regex ex = new System.Text.RegularExpressions.Regex(regex, System.Text.RegularExpressions.RegexOptions.IgnoreCase); return ex.Match(sHtml).Value.Trim(); }

public static string GetContextByHtml( string sHtml)
{
// stringregex="(<title[>])(.*)(<//title>)";
string regex = @" (?<=<title.*>)([/s/S]*)(?=</title>) " ;
System.Text.RegularExpressions.Regexex = new System.Text.RegularExpressions.Regex(regex,System.Text.RegularExpressions.RegexOptions.IgnoreCase);
return ex.Match(sHtml).Value.Trim();
}

演示效果如上图：

后续问题：
１、将继续实现代理方式躲过IP；
２、将尝试另外一种通过Request.Filter方式直接替换来实现。
欢迎交流。
助人等于自助! [email protected]

以一种"廉价"的方式获取页面的标题(downmoon)

相关推荐