c#如何获取网页html源代码的方法，在c#中使用webclient获取网页源码，需要处理中文乱码的问题，合理设置gb2312和utf-8编码，getcharset函数用来获取当前网页的编码格式。
c#获取网页html源码，并区分gb2312和utf-8编码，以避免出现中文乱码问题。
需求：
根据一个url地址，获取到网页的源代码。
在asp.net(c#)中，获取网页源代码貌似有很多种方法，这里实现了一个简单的webclient。
如何处理中文乱码的问题，中文的网页不外乎gb2312和utf-8这两种编码。
代码：
复制代码 代码示例:
/// <summary>
/// 根据网址的URL，获取源代码HTML
/// </summary>
/// <param name="url"></param>
/// <returns></returns>
public static string GetHtmlByUrl(string url)
{
using (WebClient wc = new WebClient())
{
try
{
wc.U
sedefaultCredentials = true;
wc.Proxy = new WebProxy();
wc.Proxy.Credentials = CredentialCache.DefaultCredentials;
wc.Credentials = System.Net.CredentialCache.DefaultCredentials;
byte[] bt = wc.DownloadData(url);
string txt = System.Text.Encoding.GetEncoding("GB2312").GetString(bt);
switch (GetCharset(txt).ToUpper())
{
case "UTF-8":
txt = System.Text.Encoding.UTF8.GetString(bt);
break;
case "UNICODE":
txt = System.Text.Encoding.Unicode.GetString(bt);
break;
default:
break;
}
return txt;
}
catch (Exception ex)
{
return null;
}
}
}
这里使用了WebClient创建了一个wc对象（这命名有点尴尬了）。
然后，调用wc对象的DownloadData方法，传入URL值，返回一个字节数组。
默认使用GB2312来读取这个字节数组，把它转换成字符串。
从网页源代码的字符串中查找网页的编码格式的特征字符，如找到charset="utf-8"这样的信息，来判断当前网页的编码格式。
GetCharset函数来获取当前网页的编码格式：
复制代码 代码示例:
/// <summary>
/// 从HTML中获取获取charset
/// </summary>
/// <param name="html"></param>
/// <returns></returns>
public static string GetCharset(string html)
{
string charset = "";
Regex regCharset = new Regex(@"content=[""'].*s*charsetbs*=s*""?(?<charset>[^""']*)", RegexOptions.IgnoreCase);
if (regCharset.IsMatch(html))
{
charset = regCharset.Match(html).Groups["charset"].Value;
}
if (charset.Equals(""))
{
regCharset = new Regex(@"<s*metas*charsets*=s*[""']?(?<charset>[^""']*)", RegexOptions.IgnoreCase);
if (regCharset.IsMatch(html))
{
charset = regCharset.Match(html).Groups["charset"].Value;
}
}
return charset;
}
