读取网页编码问题

[zwb521]

怎么识别网页编码，能够正确独处网页内容，如下是我的写法，读取有的网页有时会有编码问题，出现乱码

System.Net.WebRequest myRequest = System.Net.WebRequest.Create(Url);
System.Net.WebResponse myResponse = myRequest.GetResponse();
Stream searchStream = myResponse.GetResponseStream();
Encoding encoding = Encoding.UTF8;
string ContentType = encoding.EncodingName;
if (ContentType.IndexOf("utf-8") != -1)
encoding = Encoding.UTF8;
else if (ContentType.IndexOf("utf-7") != -1)
encoding = Encoding.UTF7;
else if (ContentType.IndexOf("unicode") != -1)
encoding = Encoding.Unicode;
StreamReader sreader = new StreamReader(searchStream, encoding);

求解

[zwb521]

看到这篇文章，但他是用WEBClient,听说WebRequest比WEBClient快很多，不知真的假的，
http://wenbloger.blogspot.com/2009/04/c_5580.html

希望回答前最好测试下，我在网上找了一些，但都有BUG

[wuyi8808]

可参考这个：
根据URL提取页面的Title，根据网页的charset自动判断Encoding

using System;
using System.Net;
using System.Text;
using System.Text.RegularExpressions;

class Program
{
  // 获取网页的HTML内容，根据网页的charset自动判断Encoding
  static string GetHtml(string url)
  {
    return GetHtml(url, null);
  }

  // 获取网页的HTML内容，指定Encoding
  static string GetHtml(string url, Encoding encoding)
  {
    byte[] buf = new WebClient().DownloadData(url);
    if (encoding != null) return encoding.GetString(buf);
    string html = Encoding.UTF8.GetString(buf);
    encoding = GetEncoding(html);
    if (encoding == null || encoding == Encoding.UTF8) return html;
    return encoding.GetString(buf);
  }

  // 根据网页的HTML内容提取网页的Encoding
  static Encoding GetEncoding(string html)
  {
    string pattern = @"(?i)\bcharset=(?<charset>[-a-zA-Z_0-9]+)";
    string charset = Regex.Match(html, pattern).Groups["charset"].Value;
    try { return Encoding.GetEncoding(charset); }
    catch (ArgumentException) { return null; }
  }

  // 根据网页的HTML内容提取网页的Title
  static string GetTitle(string html)
  {
    string pattern = @"(?si)<title(?:\s+(?:""[^""]*""|'[^']*'|[^""'>])*)?>(?<title>.*?)</title>";
    return Regex.Match(html, pattern).Groups["title"].Value.Trim();
  }

  // 打印网页的Encoding和Title
  static void PrintEncodingAndTitle(string url)
  {
    string html = GetHtml(url);
    Console.WriteLine("[{0}] [{1}]", GetEncoding(html), GetTitle(html));
  }

  // 程序入口
  static void Main()
  {
    PrintEncodingAndTitle("http://www.msdn.net/");
    PrintEncodingAndTitle("http://www.cnblogs.com/");
    PrintEncodingAndTitle("http://www.cnblogs.com/skyiv/");
    PrintEncodingAndTitle("http://www.csdn.net/");
    PrintEncodingAndTitle("http://news.163.com/");
  }
}
/* 程序输出：
[] [MSDN: Microsoft Developer Network]
[System.Text.UTF8Encoding] [博客园 - 程序员的网上家园]
[System.Text.UTF8Encoding] [空间/IV - 博客园]
[System.Text.UTF8Encoding] [CSDN.NET - 中国最大的IT技术社区，为IT专业技术人员提供最全面的信息传播和服务平台]
[System.Text.DBCSCodePageEncoding] [新闻中心_网易新闻]
*/

[wuyq11]

参考

[我姓区不姓区]

[Quote=引用 2 楼 wuyi8808 的回复:]
可参考这个：
根据URL提取页面的Title，根据网页的charset自动判断Encoding

C# codeusingSystem;usingSystem.Net;usingSystem.Text;usingSystem.Text.RegularExpressions;classProgram
{//获取网页的HTML内容，根据网页的charset自动判断EncodingstaticstringGetHtml(stringurl)
{returnGetHtml(url,null);
}//获取网页的HTML内容，指定EncodingstaticstringGetHtml(stringurl, Encoding encoding)
{byte[] buf=newWeb…
[/Quote]
收藏

[zwb521]

// 获取网页的HTML内容，指定Encoding
static string GetHtml(string url, Encoding encoding)
{
byte[] buf = new WebClient().DownloadData(url);
if (encoding != null) return encoding.GetString(buf);
string html = Encoding.UTF8.GetString(buf);
encoding = GetEncoding(html);
if (encoding == null || encoding == Encoding.UTF8) return html;
return encoding.GetString(buf);
}


和我说的这篇文章类似http://wenbloger.blogspot.com/2009/04/c_5580.html
我试了，在获取一些小站网页时到byte[] buf = new WebClient().DownloadData(url);就不走了，他自己不会超时，一直等待中时间很长

[zcandyly20211]

友情up！