C#编写HttpClient爬虫程序示例

要写一个使用C#和HttpClient的爬虫程序。首先，我需要了解HttpClient的基本用法。HttpClient是用来发送HTTP请求和接收响应的类，对吧？我记得在C#中使用它的时候需要注意一些事情，比如最好使用单例实例，而不是频繁创建和销毁，这样可以避免端口耗尽的问题。

以下是使用C#和HttpClient编写的爬虫程序示例，包含详细注释和扩展说明：

using System;
using System.Net.Http;
using System.Threading.Tasks;
using HtmlAgilityPack; // 需要安装NuGet包

class WebCrawler
{
    private static readonly HttpClient _httpClient = new HttpClient();

    static async Task Main(string[] args)
    {
        // 配置HTTP客户端
        _httpClient.DefaultRequestHeaders.UserAgent.ParseAdd("Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36");
        _httpClient.Timeout = TimeSpan.FromSeconds(30);

        try
        {
            string url = "https://example.com";
            
            // 发送HTTP GET请求
            HttpResponseMessage response = await _httpClient.GetAsync(url);
            response.EnsureSuccessStatusCode(); // 检查状态码

            // 读取响应内容
            string htmlContent = await response.Content.ReadAsStringAsync();
            
            // 解析HTML内容
            var htmlDoc = new HtmlDocument();
            htmlDoc.LoadHtml(htmlContent);

            // 示例：提取所有链接
            foreach (HtmlNode link in htmlDoc.DocumentNode.SelectNodes("//a[@href]"))
            {
                string hrefValue = link.GetAttributeValue("href", string.Empty);
                Console.WriteLine($"发现链接: {hrefValue}");
            }

            // 示例：提取页面标题
            string pageTitle = htmlDoc.DocumentNode.SelectSingleNode("//title")?.InnerText;
            Console.WriteLine($"页面标题: {pageTitle}");
        }
        catch (HttpRequestException ex)
        {
            Console.WriteLine($"HTTP请求失败: {ex.Message}");
        }
        catch (TaskCanceledException ex)
        {
            Console.WriteLine($"请求超时: {ex.Message}");
        }
        catch (Exception ex)
        {
            Console.WriteLine($"发生错误: {ex.Message}");
        }
    }
}

关键组件说明

1. HttpClient配置

   • 单例模式：避免短时间创建多个实例导致端口耗尽
   • 用户代理：模拟浏览器行为避免被屏蔽
   • 超时设置：30秒请求超时限制

2. HTML解析

   • 使用HtmlAgilityPack（需通过NuGet安装）
   • XPath查询语法提取特定元素

3. 异常处理

   • 专用HTTP异常处理
   • 超时单独处理
   • 通用异常捕获

扩展增强建议

1. 代理支持

   var handler = new HttpClientHandler
   {
       Proxy = new WebProxy("http://proxy-server:8080"),
       UseProxy = true
   };
   var client = new HttpClient(handler);
   

2. 请求限速

   await Task.Delay(TimeSpan.FromSeconds(2)); // 每次请求间隔
   

3. Cookie管理

   var cookieContainer = new CookieContainer();
   var handler = new HttpClientHandler { CookieContainer = cookieContainer };
   

4. 内容过滤

   if (hrefValue.EndsWith(".pdf")) // 过滤PDF文件
   

注意事项

1. 法律合规

   • 遵守目标网站的robots.txt协议
   • 尊重版权和隐私条款

2. 性能优化

   • 使用HttpClientFactory（ASP.NET Core环境）
   • 并行请求控制

3. 反爬对策

   • 随机化请求间隔
   • 使用代理池轮换
   • 处理验证码（需要额外服务）

安装HtmlAgilityPack：

dotnet add package HtmlAgilityPack

注意：C# 7.1+ 支持异步Main方法，需在.csproj中添加：

<PropertyGroup>
<LangVersion>latest</LangVersion>
</PropertyGroup>

这个爬虫框架可根据具体需求扩展更多功能，建议在实际使用中遵守目标网站的服务条款和相关法律法规。