如何模擬HTTP請求實現(xiàn)網(wǎng)頁自動操作和數(shù)據(jù)采集

如何模擬HTTP請求實現(xiàn)網(wǎng)頁自動操作和數(shù)據(jù)采集？針對這個問題，今天小編總結這篇代碼與解析相結合的文章，希望大家根據(jù)這篇文章可以有所收獲。

前言

網(wǎng)頁可分為信息提供和業(yè)務操作類，信息提供如新聞、股票行情之類的網(wǎng)站。業(yè)務操作如網(wǎng)上營業(yè)廳、OA之類的。當然，也有很多網(wǎng)站同時具有這兩種性質，像微博、豆瓣、淘寶這類網(wǎng)站，既提供信息，也實現(xiàn)某些業(yè)務。

普通上網(wǎng)方式一般都是手動操作（這個不需要解釋：D）。但有時候人工手動操作的方式可能就無法勝任了，如爬取網(wǎng)絡上大量數(shù)據(jù)，實時監(jiān)測某個頁面的變化，批量操作業(yè)務（如批量發(fā)微博，批量淘寶購物）、刷單等。由于操作量大，而且都是重復的操作，人工操作效率低下，且易出錯。這時候就可以使用軟件來自動操作了。

本人開發(fā)過多個這類軟件，有網(wǎng)絡爬蟲、自動批量操作業(yè)務這類的。其中使用到的一個核心功能就是模擬HTTP請求。當然，有時會使用HTTPS協(xié)議，而且網(wǎng)站一般需要登陸后才能進一步操作，還有最重要的一點就是弄清楚網(wǎng)站的業(yè)務流程，即知道為了實現(xiàn)某個操作該在什么時候向哪個頁面以什么方式提交什么數(shù)據(jù)，最后，要提取數(shù)據(jù)或知道操作結果，就還需要解析HTML。本文將一一闡述。

本文使用C#語言來展示代碼，當然也可以用其它語言實現(xiàn)，原理是一樣的。以登陸京東為實例。

模擬HTTP請求

C#模擬HTTP請求需要使用到如下類：

?WebRequest

?HttpWebRequest

?HttpWebResponse

?Stream

先創(chuàng)建一個請求對象（HttpWebRequest），設置相關的Headers信息后發(fā)送請求（如果是POST，還要把表單數(shù)據(jù)寫入網(wǎng)絡流），如果目標地址可訪問，會得到一個響應對象（HttpWebResponse），從相應對象的網(wǎng)絡流中就可讀出返回結果。

示例代碼如下：

String contentType = "application/x-www-form-urlencoded";
String accept = "image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, application/x-shockwave-flash, application/x-silverlight,
 application/vnd.ms-excel, application/vnd.ms-powerpoint, application/msword, application/x-ms-application, application/x-ms-xbap,
  application/vnd.ms-xpsdocument, application/xaml+xml, application/x-silverlight-2-b1, */*";
String userAgent = "Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1847.116 Safari/537.36";

public String Get(String url, String encode = DEFAULT_ENCODE)
{
   HttpWebRequest request = WebRequest.Create(url) as HttpWebRequest;
   InitHttpWebRequestHeaders(request);
   request.Method = "GET";
   var html = ReadHtml(request, encode);
   return html;
}

public String Post(String url, String param, String encode = DEFAULT_ENCODE)
{
   Encoding encoding = System.Text.Encoding.UTF8;
   byte[] data = encoding.GetBytes(param);
   HttpWebRequest request = WebRequest.Create(url) as HttpWebRequest;
   InitHttpWebRequestHeaders(request);
   request.Method = "POST";
   request.ContentLength = data.Length;
   var outstream = request.GetRequestStream();
   outstream.Write(data, 0, data.Length);
   var html = ReadHtml(request, encode);
   return html;
}

private void InitHttpWebRequestHeaders(HttpWebRequest request)
{
  request.ContentType = contentType;
  request.Accept = accept;
  request.UserAgent = userAgent;
}

private String ReadHtml(HttpWebRequest request, String encode)
{
  HttpWebResponse response = request.GetResponse() as HttpWebResponse;
  Stream stream = response.GetResponseStream();
  StreamReader reader = new StreamReader(stream, Encoding.GetEncoding(encode));
  String content = reader.ReadToEnd();
  reader.Close();
  stream.Close();
  return content;
}

可以看出，Get和Post方法的代碼大部分都相似，所以代碼進行了封裝，提取了相同代碼作為新的函數(shù)。

HTTPS請求

當網(wǎng)站使用https協(xié)議時，以上代碼就可能會出現(xiàn)以下錯誤：

The underlying connection was closed: Could not establish trust relationship for

原因是證書錯誤，用瀏覽器打開會出現(xiàn)如下頁面：

當點擊繼續(xù)前往xxx.xx(不安全)時，就可繼續(xù)打開網(wǎng)頁。在程序中，也只要模擬這一步就可以繼續(xù)了。C#中只需設置ServicePointManager.ServerCertificateValidationCallback代理，在代理方法中直接返回true就行了。

private HttpWebRequest CreateHttpWebRequest(String url)
{
  HttpWebRequest request;
  if (IsHttpsProtocol(url))
  {
    ServicePointManager.ServerCertificateValidationCallback = new RemoteCertificateValidationCallback(CheckValidationResult);
    request = WebRequest.Create(url) as HttpWebRequest;
    request.ProtocolVersion = HttpVersion.Version10;
  }
  else
  {
    request = WebRequest.Create(url) as HttpWebRequest;
  }

  return request;
}

private HttpWebRequest CreateHttpWebRequest(String url)
{
  HttpWebRequest request;
  if (IsHttpsProtocol(url))
  {
    ServicePointManager.ServerCertificateValidationCallback = new RemoteCertificateValidationCallback(CheckValidationResult);
    request = WebRequest.Create(url) as HttpWebRequest;
    request.ProtocolVersion = HttpVersion.Version10;
  }
  else
  {
    request = WebRequest.Create(url) as HttpWebRequest;
  }

  return request;
}

這樣，就可正常訪問https網(wǎng)站了。

記錄Cookies實現(xiàn)身份認證

有些網(wǎng)站需要登錄才能執(zhí)行下一步操作，比如在京東購物需要先登錄。網(wǎng)站服務器使用session來記錄客戶端用戶，每一個session對應一個用戶，而前面的代碼每次創(chuàng)建一個請求都會重新建立一個session。即使登錄成功，在執(zhí)行下一步操作由于新創(chuàng)建了一個連接，登錄也是無效的。這時就得想辦法讓服務器認為這一系列的請求來自同一個session。

客戶端只有Cookies，為了在下次請求的時候讓服務器知道該客戶端對應哪個session，Cookies中會有一個記錄session ID的記錄。所以，只要Cookies相同，對服務器來說就是同一個用戶。

這時需要使用到CookieContainer，顧名思義，這就是一個Cookies容器。HttpWebRequest有一個CookieContainer屬性。只要把每次請求的Cookies都記錄在CookieContainer，下次請求時設置HttpWebRequest的CookieContainer屬性，由于Cookies相同，對于服務器來說就是同一個用戶了。

public String Get(String url, String encode = DEFAULT_ENCODE)
{
   HttpWebRequest request = WebRequest.Create(url) as HttpWebRequest;
   InitHttpWebRequestHeaders(request);
   request.Method = "GET";

   request.CookieContainer = cookieContainer;
   HttpWebResponse response = request.GetResponse() as HttpWebResponse;
   foreach (Cookie c in response.Cookies)
   {
      cookieContainer.Add(c);
   }
}

分析調試網(wǎng)站

以上就實現(xiàn)了模擬HTTP請求，當然，最重要的還是分析站。一般的情況都是沒有文檔、找不到網(wǎng)站開發(fā)人員，從一個黑盒子開始探索。分析工具有很多，推薦使用Chrome+插件Advanced Rest Client，Chrome的開發(fā)者工具能讓我們知道打開一個網(wǎng)頁時后臺做了哪些操作與請求，Advanced Rest Client可模擬發(fā)送請求。

比如在登錄京東時，會提交如下數(shù)據(jù)：

我們還能看到京東的密碼居然是明文傳輸，安全性很讓人擔心??！

還能看到返回的數(shù)據(jù)：

返回的是JSON數(shù)據(jù)，不過\u8d26這些是什么？其實這是Unicode編碼，使用Unicode編碼轉換工具，即可轉換成可讀的文字，比如這次返回的結果是：賬戶名與密碼不匹配，請重新輸入。

解析HTML

HTTP請求獲得的數(shù)據(jù)一般是HTML格式，有時也可能是Json或XML。需要解析才能提取有用數(shù)據(jù)。解析HTML的組件有：

?HTML Parser。多個平臺可用，如Java/C#/Python。很久沒用了。

?HtmlAgilityPack。通過通過XPath來解析HMTL。

以上就是模擬HTTP請求實現(xiàn)網(wǎng)頁自動操作和數(shù)據(jù)采集的具體操作，代碼詳細清楚，如果在日常工作遇到這個問題，希望你能通過這篇文章解決問題。如果想了解更多相關內容，歡迎關注億速云行業(yè)資訊頻道！