我做了太多的网页抓取,但这里的选项: 我有标题的默认列表我添加为所有这些从浏览器预计:
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,保持存储的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;
}
}
}
这是我为它日常的使用。静态副本添加到您的基址类与所有的解析功能,你可能有:
protected static CookieWebClient wc = new CookieWebClient();
并调用它是这样:
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;
}
你可能会崩溃了另一个主要原因是连接正在被服务器关闭,因为你有一个打开的连接太久了。您可以通过添加周围的下载部分如上一试捕证明了这一点,如果失败,重置Web客户端,并尝试重新下载:
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);
}
这节省了我的屁股的时候,即使是服务器拒绝你,这可以重新调整这个地段。 Cookies已被清除,您可以自由漫游。如果情况变得更糟 - 增加代理支持并获得每50个IHS请求申请的新代理。
这应该是足以让你踢你自己和任何其他网站的屁股。
RATE ME!
我在其他答案之前首先尝试了您的答案,并且确实有效。我将网络通话之间的延迟时间延长了30秒,并在我的请求中添加了一个useragent,accept和referrer。 –