有没有办法欺骗来自C#代码的Web请求,因此它看起来不像机器人或垃圾邮件到网站?我正在尝试网络抓取我的网站,但在一定数量的电话后不断被阻止。我想表现得像一个真正的浏览器。我在HTML Agility Pack中使用此代码。
var web = new HtmlWeb();
web.UserAgent =
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.97 Safari/537.11";
我做了太多的网页抓取,但是这里有选项:我有一个默认的标题列表我添加,因为所有这些都是从浏览器中预期的:
wc.Headers[HttpRequestHeader.UserAgent] = "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.97 Safari/537.11";
wc.Headers[HttpRequestHeader.ContentType] = "application/x-www-form-urlencoded";
wc.Headers[HttpRequestHeader.Accept] = "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8";
wc.Headers[HttpRequestHeader.AcceptEncoding] = "gzip,deflate,sdch";
wc.Headers[HttpRequestHeader.AcceptLanguage] = "en-GB,en-US;q=0.8,en;q=0.6";
wc.Headers[HttpRequestHeader.AcceptCharset] = "ISO-8859-1,utf-8;q=0.7,*;q=0.3";
(WC是我的WebClient)。
作为进一步的帮助 - 这是我的webclient类,它可以保存cookie - 这也是一个巨大的帮助:
public class CookieWebClient : WebClient
{
public CookieContainer m_container = new CookieContainer();
public WebProxy proxy = null;
protected override WebRequest GetWebRequest(Uri address)
{
try
{
ServicePointManager.DefaultConnectionLimit = 1000000;
WebRequest request = base.GetWebRequest(address);
request.Proxy = proxy;
HttpWebRequest webRequest = request as HttpWebRequest;
webRequest.Pipelined = true;
webRequest.KeepAlive = true;
if (webRequest != null)
{
webRequest.CookieContainer = m_container;
}
return request;
}
catch
{
return null;
}
}
}
这是我通常使用它。使用您可能具有的所有解析功能将静态副本添加到基础站点类:
protected static CookieWebClient wc = new CookieWebClient();
并称之为:
public HtmlDocument Download(string url)
{
HtmlDocument hdoc = new HtmlDocument();
HtmlNode.ElementsFlags.Remove("option");
HtmlNode.ElementsFlags.Remove("select");
Stream read = null;
try
{
read = wc.OpenRead(url);
}
catch (ArgumentException)
{
read = wc.OpenRead(HttpHelper.HTTPEncode(url));
}
hdoc.Load(read, true);
return hdoc;
}
您可能崩溃的另一个主要原因是服务器正在关闭连接,因为您已经打开了很长时间的连接。您可以通过在上面的下载部分添加try catch来证明这一点,如果失败,请重置webclient并尝试再次下载:
HtmlDocument d = new HtmlDocument();
try
{
d = this.Download(prp.PropertyUrl);
}
catch (WebException e)
{
this.Msg(Site.ErrorSeverity.Severe, "Error connecting to " + this.URL + " : Resubmitting..");
wc = new CookieWebClient();
d = this.Download(prp.PropertyUrl);
}
这样可以随时保存我的屁股,即使是服务器拒绝你,这也可以重新开始。 Cookie被清除,您可以自由漫游。如果真的变得更糟 - 添加代理支持并获得每50个请求应用的新代理。
这应该足以让你踢自己和任何其他网站屁股。
对我说吧!