HtmlAgilityPack 加载中文页面时出现在乱码的最终解决方案

前几天我在博客园转载了一篇"net HtmlParser初步使用研究"的文章，之后看过文章评论才知道原来现在已经有HtmlAgilityPack这个类库可以更方便地对HTML内容进行分析和提取。因此今天特别学习和实践了一下HtmlAgilityPack和XPath，并作下笔记。

HtmlAgilityPack是用C#写的开源Html Parser。不过可能在某些方面设计不尽完善，或者是对中文的支持并不是很好，例如，抓取中文页面时就出现乱码．

我的代码如下：

HtmlWeb hw = new HtmlWeb();
HtmlDocument doc = hw.Load("http://www.xinlg.com");
//HtmlNodeCollection nodes = doc.DocumentNode.SelectNodes("//a");
　　　　　　　 Response.Write(doc);
　　　　　　　　
页面输出时，全部是乱码，不过有些页面又是正常的，cnblogs是正常，新浪，QQ，新华网等都是乱码，这可能跟编码有关．

具体的开源代码我就没有去看了，我的解决方案就是自己写一个获取Html的方法．

代码如下：

/// <summary>
/// 获取指定URL的HTML源代码
/// </summary>
/// <param name="url"></param>
/// <param name="encoding">如果为NULL 则自动识别</param>
/// <returns></returns>
public static string GetWebHtml(string url, Encoding encoding)
{
try
{
HttpWebRequest hwr = (HttpWebRequest)HttpWebRequest.Create(url);
HttpWebResponse res;

try
{
res = (HttpWebResponse)hwr.GetResponse();
}
catch
{
return string.Empty;
}

if (res.StatusCode == HttpStatusCode.OK)
{
using (Stream mystream = res.GetResponseStream())
{
//没有指定编码，
if (encoding == null)
{
return DecodeData(mystream, res);
}
//指定了编码
else
{
using (StreamReader reader = new StreamReader(mystream, encoding))
{
return reader.ReadToEnd();
}
}
}
}

return null;
}
catch
{
return null;
}
}

private static string DecodeData(Stream responseStream, HttpWebResponse response)
{
string name = null;
string text2 = response.Headers["content-type"];
if (text2 != null)
{
int index = text2.IndexOf("charset=");
if (index != -1)
{
name = text2.Substring(index + 8);
}
}
MemoryStream stream = new MemoryStream();
byte[] buffer = new byte[0x400];
for (int i = responseStream.Read(buffer, 0, buffer.Length); i > 0; i = responseStream.Read(buffer, 0, buffer.Length))
{
stream.Write(buffer, 0, i);
}
responseStream.Close();
if (name == null)
{
MemoryStream stream3 = stream;
stream3.Seek((long)0, SeekOrigin.Begin);
string text3 = new StreamReader(stream3, Encoding.ASCII).ReadToEnd();
if (text3 != null)
{
int startIndex = text3.IndexOf("charset=");
int num4 = -1;
if (startIndex != -1)
{
num4 = text3.IndexOf("\"", startIndex);
if (num4 != -1)
{
int num5 = startIndex + 8;
name = text3.Substring(num5, (num4 - num5) + 1).TrimEnd(new char[] { '>', '"' });
}
}
}
}
Encoding aSCII = null;
if (name == null)
{
aSCII = Encoding.GetEncoding("gb2312");
}
else
{
try
{
if (name == "GBK")
{
name = "GB2312";
}
aSCII = Encoding.GetEncoding(name);
}
catch
{
aSCII = Encoding.GetEncoding("gb2312");
}
}
stream.Seek((long)0, SeekOrigin.Begin);
StreamReader reader2 = new StreamReader(stream, aSCII);
return reader2.ReadToEnd();
}

我测试过了，大型网站都没有问题．

最后再调用时，代码如下：

string Html = XINLG.Labs.Utils.NetUtil.GetWebHtml("http://www.cnblogs.com/pick/", null);
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(Html);

在上面的代码中，如果你不知道指定的url编码是什么，直接写NULL,自动判断．

另外，网上还介绍了方法，可以去 HtmlAgilityPack的官网下载源代码，打开项目，自己改一下，代码我就不提供了，大家可以自己搜索一下．