17370845950

HttpClient 是现代 C# 爬虫首选，需异步调用、检查状态码、设置 User-Agent；HtmlAgilityPack 解析 HTML 时须处理编码与空节点；静态页用 HttpClient 足够，动态渲染页应选 PuppeteerSharp。

用 HttpClient 获取网页 HTML 最直接可靠

现代 C# 爬虫首选 HttpClient，它支持异步、自动处理重定向和 Cookie（需手动配置），比已过时的 WebClient 更稳定。同步调用（DownloadString）在 .NET 6+ 中已被标记为过时，必须用 GetAsync + ReadAsStringAsync。

常见错误：忽略响应状态码，直接读取内容，导致空字符串或异常；或未设置 User-Agent 被服务器拒绝（返回 403）。

• 务必检查 response.IsSuccessStatusCode，否则 404/500 也会进后续解析流程
• 添加请求头：client.DefaultRequestHeaders.UserAgent.ParseAdd("Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36")
• 若目标页依赖 JavaScript 渲染，HttpClient 拿到的是原始 HTML，无法获取动态内容——此时不是代码问题，而是技术选型错误

var client = new HttpClient();
client.DefaultRequestHeaders.UserAgent.ParseAdd("Mozilla/5.0 (Windows NT 10.0; Win64; x64)");
var response = await client.GetAsync("https://example.com");
if (!response.IsSuccessStatusCode)
    throw new Exception($"HTTP {response.StatusCode}");
var html = await response.Content.ReadAsStringAsync();

用 HtmlAgilityPack 解析 HTML 结构

HtmlAgilityPack 是 C# 生态中事实标准的 HTML 解析库，能容忍 malformed HTML（如缺失闭合标签），比正则匹配安全得多。NuGet 包名就是 HtmlAgilityPack，.NET Core / .NET 5+ 全支持。

容易踩的坑：直接对 html 字符串调用 LoadHtml() 却忽略编码问题，中文乱码；或用 SelectNodes("//div[@class='item']") 但没确认节点是否为 null 就访问 InnerText，引发 NullReferenceException。

• 加载前显式指定编码（尤其 GB2312/GBK 页面）：doc.LoadHtml(html, Encoding.GetEncoding("gb2312"))
• 所有 SelectNodes 或 SelectSingleNode 返回值必须判空，再取 InnerText 或 GetAttributeValue
• XPath 中 class 属性含空格或多值时，用 contains(@class, 'xxx') 比 @class='xxx' 更鲁棒

var
 doc = new HtmlDocument();
doc.LoadHtml(html);
var nodes = doc.DocumentNode.SelectNodes("//div[contains(@class, 'title')]");
if (nodes != null)
    foreach (var node in nodes)
        Console.WriteLine(node.InnerText.Trim());

绕过反爬：处理 Cookie、Referer 和简单 JS 挑战

多数静态页面只需加 User-Agent 和 Referer；但遇到登录态依赖或基础 JS 检查（如生成时间戳、计算 token），就得维持会话上下文。

关键点：用同一个 HttpClient 实例复用连接和 Cookie 容器，不要每次新建；HttpClientHandler 的 UseCookies = true 必须开启（默认是 true，但显式写上更安心）。

• Referer 头要与目标 URL 同域，否则部分站点拒收（例如从 https://a.com 请求 https://b.com/api 会被拦截）
• 若首次请求返回 Set-Cookie，后续请求自动携带——前提是没换 HttpClient 实例
• 遇到 document.cookie = xxx 或 Math.random() 生成参数，不能硬编码，得用 JavaScriptEngineSwitcher 或预编译 JS 片段（小范围可行），否则应转向 PuppeteerSharp

何时该换 PuppeteerSharp？

当目标页面大量使用 fetch、Vue/React 渲染、或有滑动验证、鼠标轨迹检测时，HttpClient + HtmlAgilityPack 就失效了。这时候 PuppeteerSharp（Chromium 自动化）是更实际的选择，而非强行逆向加密逻辑。

注意：它体积大（约 80MB Chromium 二进制）、启动慢、内存占用高，不适合高频轻量采集；且需要确保运行环境有可用的 Chromium（或启用 DownloadBrowser = true 自动下载）。

• 首次运行会自动下载 Chromium，耗时长且可能失败（国内网络需配代理或手动下载）
• 务必调用 browser.CloseAsync() 或 DisposeAsync()，否则残留进程吃光内存
• 等待元素出现用 WaitForSelectorAsync("div.content")，别用 Thread.Sleep

真实场景里，90% 的企业内网报表、政府公开数据页，HttpClient 足够；剩下 10% 才需要评估是否值得引入 PuppeteerSharp。