解决网爬工具爬取页面信息出现乱码的问题

核心提示：问题： 网爬工具中自动搜集页面信息时，有的页面出现了出现乱码现象原因： 读取页面信息是使用了错误的编码类型，解决网爬工具爬取页面信息出现乱码的问题，C#.NET从现在的类中获取得来的编码信息有时是错误的，本人认为对不是asp.net的应用程序，那就太感谢了， 下面我附上Reflector反射工具获取了Character

问题：
　 网爬工具中自动搜集页面信息时，有的页面出现了出现乱码现象
原因：
　 读取页面信息是使用了错误的编码类型。C#.NET从现在的类中获取得来的编码信息有时是错误的，本人认为对不是asp.net的应用程序，它读过来的编码信息都是错误的。
解决：
　 思路：必须先在运行时获取得该页面的编码，再去读取页面的内容，这样得来的页面内容才不会出现乱码现象。
　 方法：
　 1:使用ASCII编码去读取页面内容。
　 2:使用正则表达式从读取的页面内容中筛选出页面的编码信息。上个步骤获取的页面信息可能会有乱码。但HTML标志是正确的，所有可以从HTML标志中得到编码的信息。
　 3.用正确的编码类型去读取页面信息。
　 如果哪位有更好的方法，请多赐教啊！

　
　 下面附上代码：　 

代码演示
using System;
using System.Collections.Generic;
using System.Text;
using System.Net;
using System.Web;
using System.IO;
using System.Text.RegularExPRessions;
namespace charset
{
　  class Program
　  {
　　　 
　　　  static void Main(string[] args)
　　　  {
　　　　　  string url = "http://www.gdqy.edu.cn";
　　　　　  GetCharset1(url);
　　　　　  GetChartset2(url);

　　　  Console.Read();
　　　  }
　　　  // 通过HttpWebResponse直接获取页面编码
　　　  static void GetCharset1(string url)
　　　  {
　　　　　  try
　　　　　  {
　　　　　　　  WebRequest webRequest = WebRequest.Create(url);
　　　　　　　  HttpWebResponse webResponse = (HttpWebResponse)webRequest.GetResponse();

　　　　　  string charset = webResponse.CharacterSet;
　　　　　　　  string contentEncoding = webResponse.ContentEncoding;
　　　　　　　  string contentType = webResponse.ContentType;

　　　　　  Console.WriteLine("context type:{0}", contentType);

　　　　　  Console.WriteLine("charset:{0}", charset);

　　　　　  Console.WriteLine("content encoding:{0}", contentEncoding);
　　　　　　　  //测试或取页面是否出现乱码
　　　　　　　  //Console.WriteLine(getHTML(url,charset));
　　　　　　　 
　　　　　  }
　　　　　  catch (UriFormatException ex)
　　　　　  {

　　　　　  Console.WriteLine(ex.Message);
　　　　　  }
　　　　　  catch(WebException ex)
　　　　　  {
　　　　　 
　　　　　　　  Console.WriteLine(ex.Message);
　　　　　  }
　　　　　 
　　　　　 
　　　　　　

　  }
　　　  //使用正则表达式获取页面编码
　　　  static void GetChartset2(string url)
　　　  {

　　　  try
　　　　　  {
　　　　　　　  string html = getHTML(url,Encoding.ASCII.EncodingName);
　　　　　　　  Regex reg_charset = new Regex(@"charset\b\s*=\s*(?<charset>[^""]*)");
　　　　　　　  string enconding = null;
　　　　　　　  if (reg_charset.IsMatch(html))
　　　　　　　  {
　　　　　　　　　  enconding = reg_charset.Match(html).Groups["charset"].Value;
　　　　　　　　　  Console.WriteLine("charset:{0}",enconding);
　　　　　　　  }
　　　　　　　  else
　　　　　　　  {
　　　　　　　　　  enconding = Encoding.Default.EncodingName;
　　　　　　　  }
　　　　　　　  //测试或取页面是否出现乱码
　　　　　　　  //Console.WriteLine(getHTML(url,enconding));
　　　　　　 }
　　　　　  catch (UriFormatException ex)
　　　　　  {

　　　　　  Console.WriteLine(ex.Message);
　　　　　  }
　　　　　  catch(WebException ex)
　　　　　  {
　　　　　 
　　　　　　　  Console.WriteLine(ex.Message);
　　　　　  }
　　　 
　　　  }
　　　  //读取页面内容方法
　　　  static string  getHTML(string url,string encodingName)
　　　  {

　　　  try
　　　　　  {
　　　　　　　  WebRequest webRequest = WebRequest.Create(url);
　　　　　　　  WebResponse webResponse = webRequest.GetResponse();
　　　　　　　  Stream stream = webResponse.GetResponseStream();
　　　　　　　  StreamReader sr = new StreamReader(stream, Encoding.GetEncoding(encodingName));
　　　　　　　  string html = sr.ReadToEnd();
　　　　　　　  return html;
　　　　　  }
　　　　　  catch (UriFormatException ex)
　　　　　  {

　　　　　  Console.WriteLine(ex.Message);
　　　　　　　  return null;
　　　　　  }
　　　　　  catch (WebException ex)
　　　　　  {

　　　　　  Console.WriteLine(ex.Message);
　　　　　　　  return null;
　　　　　  }
　　　  }
　　　 
　  }
}

 http://www.gdqy.edu.cn页面的使用的编码格式是：gb2312
第一个方法显示的内容是：
context type:text/html
charset:ISO-8859-1
content encoding:
第二个方法显示的内容是：
charset:gb2312

所以第一个方法获取的信息是错误的，第二个方法是对的。
为什么第一个方法获取的的编码格式是：ISO-8859-1呢？
我用Reflector反射工具获取了CharacterSet属性的源代码，从中不难看出其原因。如果能获取出ContentType属性的源代码就不以看出其出错的原因了，但是搞了许久都没找出，如果那位那补上，那就太感谢了。
下面我附上Reflector反射工具获取了CharacterSet属性的源代码，有兴趣的朋友看一看。

CharacterSet源码
public string CharacterSet
{
　　  get
　　  {
　　　　　  this.CheckDisposed();
　　　　　  string text1 = this.m_HttpResponseHeaders.ContentType;
　　　　　  if ((this.m_CharacterSet == null) && !ValidationHelper.IsBlankString(text1))
　　　　　  {
　　　　　　　　  this.m_CharacterSet = string.Empty;
　　　　　　　　  string text2 = text1.ToLower(CultureInfo.InvariantCulture);
　　　　　　　　  if (text2.Trim().StartsWith("text/"))
　　　　　　　　  {
　　　　　　　　　　　  this.m_CharacterSet = "ISO-8859-1";
　　　　　　　　  }
　　　　　　　　  int num1 = text2.IndexOf(";");
　　　　　　　　  if (num1 > 0)
　　　　　　　　  {
　　　　　　　　　　　  while ((num1 = text2.IndexOf("charset", num1)) >= 0)
　　　　　　　　　　　  {
　　　　　　　　　　　　　　  num1 += 7;
　　　　　　　　　　　　　　  if ((text2[num1 - 8] == ';') || (text2[num1 - 8] == ' '))
　　　　　　　　　　　　　　  {
　　　　　　　　　　　　　　　　　  while ((num1 < text2.Length) && (text2[num1] == ' '))
　　　　　　　　　　　　　　　　　  {
　　　　　　　　　　　　　　　　　　　　  num1++;
　　　　　　　　　　　　　　　　　  }
　　　　　　　　　　　　　　　　　  if ((num1 < (text2.Length - 1)) && (text2[num1] == '='))
　　　　　　　　　　　　　　　　　  {
　　　　　　　　　　　　　　　　　　　　  num1++;
　　　　　　　　　　　　　　　　　　　　  int num2 = text2.IndexOf(';', num1);
　　　　　　　　　　　　　　　　　　　　  if (num2 > num1)
　　　　　　　　　　　　　　　　　　　　  {
　　　　　　　　　　　　　　　　　　　　　　　  this.m_CharacterSet = text1.Substring(num1, num2).Trim();
　　　　　　　　　　　　　　　　　　　　　　　  break;
　　　　　　　　　　　　　　　　　　　　  }
　　　　　　　　　　　　　　　　　　　　  this.m_CharacterSet = text1.Substring(num1).Trim();
　　　　　　　　　　　　　　　　　　　　  break;
　　　　　　　　　　　　　　　　　  }
　　　　　　　　　　　　　　  }
　　　　　　　　　　　  }
　　　　　　　　  }
　　　　　  }
　　　　　  return this.m_CharacterSet;
　　  }

http://www.cnblogs.com/xuanfeng/archive/2007/01/21/626296.html