Question

我正在寻找一种方法，可以让我获取网页的标题并将其存储为字符串。

然而，到目前为止我找到的所有解决方案都涉及下载页面的源代码，这对于大量网页来说并不实用。

我能看到的唯一方法是限制字符串的长度，或者只有在到达标签时才会下载一定数量的字符或停止，但这显然仍会非常大？

由于

Answer 1

由于<title>标记位于HTML本身，因此无法不下载文件以查找“仅标题”。您应该可以下载文件的一部分，直到您阅读<title>标记或</head>标记然后停止，但您仍需要下载（至少部分）文件。

这可以通过HttpWebRequest / HttpWebResponse完成并读取响应流中的数据，直到我们读取<title></title>块或</head>标记为止。我添加了</head>标记检查，因为在有效的HTML中，标题块必须出现在头块中 - 因此，通过此检查，我们将永远不会解析整个文件（除非没有头块，疗程）。

以下应该能够完成这项任务：

string title = "";
try {
    HttpWebRequest request = (HttpWebRequest.Create(url) as HttpWebRequest);
    HttpWebResponse response = (request.GetResponse() as HttpWebResponse);

    using (Stream stream = response.GetResponseStream()) {
        // compiled regex to check for <title></title> block
        Regex titleCheck = new Regex(@"<title>\s*(.+?)\s*</title>", RegexOptions.Compiled | RegexOptions.IgnoreCase);
        int bytesToRead = 8092;
        byte[] buffer = new byte[bytesToRead];
        string contents = "";
        int length = 0;
        while ((length = stream.Read(buffer, 0, bytesToRead)) > 0) {
            // convert the byte-array to a string and add it to the rest of the
            // contents that have been downloaded so far
            contents += Encoding.UTF8.GetString(buffer, 0, length);

            Match m = titleCheck.Match(contents);
            if (m.Success) {
                // we found a <title></title> match =]
                title = m.Groups[1].Value.ToString();
                break;
            } else if (contents.Contains("</head>")) {
                // reached end of head-block; no title found =[
                break;
            }
        }
    }
} catch (Exception e) {
    Console.WriteLine(e);
}

更新：更新了原始源代码示例，以便为Regex使用已编译的using和Stream语句，以提高效率和可维护性。

Answer 2

处理此问题的一种更简单的方法是下载它，然后拆分：

    using System;
    using System.Net.Http;

    private async void getSite(string url)
    {
        HttpClient hc = new HttpClient();
        HttpResponseMessage response = await hc.GetAsync(new Uri(url, UriKind.Absolute));
        string source = await response.Content.ReadAsStringAsync();

        //process the source here

    }

要处理来源，您可以使用Getting Content From Between HTML Tags

上文章中所述的方法

如何在不下载所有页面源的情况下获取网页标题

2 个答案: