asp.net c# 抓取页面信息方法介绍

一：网页更新
我们知道，一般网页中的信息是不断翻新的，这也要求我们定期的去抓这些新信息，但是这个“定期”该怎么理解，也就是多长时间需要抓一次该页面，其实这个定期也就是页面缓存时间，在页面的缓存时间内我们再次抓取该网页是没有必要的，反而给人家服务器造成压力。
就比如说我要抓取博客园首页，首先清空页面缓存，

从last-modified到expires，我们可以看到，博客园的缓存时间是2分钟，而且我还能看到当前的服务器时间date，如果我再次

刷新页面的话，这里的date将会变成下图中 if-modified-since,然后发送给服务器，判断浏览器的缓存有没有过期？

最后服务器发现if-modified-since >= last-modifined的时间，服务器也就返回304了，不过发现这cookie信息真是贼多啊 。

在实际开发中，如果在知道网站缓存策略的情况下，我们可以让爬虫2min爬一次就好了，当然这些都是可以由数据团队来配置维护了， 好了，下面我们用爬虫模拟一下。


二：网页编码的问题

有时候我们已经抓取到网页了，准备去解析的时候，tmd的全部是乱码，真是操蛋，比如下面这样，


或许我们依稀的记得在html的meta中有一个叫做charset的属性，里面记录的就是编码方式，还有一个要点就是response.characterset这个属性中同样也记录了编码方式，下面我们再来试试看。

居然还是乱码，蛋疼了，这次需要到官网上面去看一看，到底http头信息里面都交互了些什么，凭什么浏览器能正常显示，爬虫爬过来的就不行。

查看了http头信息，终于我们知道了，浏览器说我可以解析gzip,deflate,sdch这三种压缩方式，服务器发送的是gzip压缩，到这里我们也应该知道了常用的web性能优化。


三：网页解析

既然经过千辛万苦拿到了网页，下一个就要解析了，当然正则匹配是个好方法，毕竟工作量还是比较大的，可能业界也比较推崇 htmlagilitypack这个解析工具，能够将html解析成xml，然后可以用xpath去提取指定的内容，大大提高了开发速度，性能也不赖，毕竟agility也就是敏捷的意思，关于xpath的内容，大家看懂w3cschool的这两张图就ok了。




好了，打完收工，睡觉。。。