基于HttpWebRequest的通用请求和响应处理

基于HttpWebRequest的通用请求和响应处理

作者：Tony Qu

最近基于C#写了个Spider框架，所以有了此文的心得，虽然这话题也不算什么新话题了，但我还是想写一篇这样的文章，因为我发现这玩意真的写起代码来还是有很多细节的，要做到通用还是有一定难度的。当然，本文会略过最基本的一些东西，如GET/POST方式，UserAgent等，这不是本文要讨论的重点。

我使用过程中遇到的最大挑战是以下几个问题：

a. 如何处理chunked的页面

b. 如何处理gzip过的页面

c. 如何自动判断文本编码

d. 如何使用CookieContainer

我们一个一个来，先从第一个开始。chunked是常用的web服务器设置，也经常与gzip一起使用，

a. 如何处理chunked的页面



(fiddler的Response Header视图截图)

chunked的好处最主要的是页面优化，浏览器通常会在接收完第一个chunked块之后开始解析页面，而不是等到整个页面加载完成。关于chunked的传输细节有兴趣的朋友可以继续阅读以下两篇文章http 《chunked传输》
《HTTP chunked+gzip及浏览器兼容测试》

由于页面的chunked，我们必须通过stream方式来获得数据，且由于之后要对获得的Stream进行gzip解密，所以我们需要把Stream暂时保存到MemoryStream中，如下所示：

?
这里利用ContentLength获取实际大小，但在有些情况下，ContentLength取不到，就会有个默认大小8000。当然这只是MemoryStream初始，如果Write的时候超过，它会自动增加大小（我记得是默认大小的两倍）。

b. 如何处理gzip

gzip的好处想必不用我说了吧，自然是传输大小更小，动态压缩，目前大部分门户都会打开这个选项，其平均压缩效果可以达到不开之前的40%左右，以下是处理gzip的代码：

?
压缩方式可以通过ContentEncoding属性获得，这里同时也处理了deflate的压缩方式，不过目前我没遇到过这种网站，这代码是拷贝过来的，呵呵。

c. 如何自动判断文本编码

编码问题往往是让人头疼的问题，因为某些情况你拿到的数据会变成乱码，这就表示编码没有处理好。页面的实际编码是保存在ContentType中的，如下所示



(fiddler的Response Header视图截图)

这里的charset就是我们需要的编码信息，编码的自动选择全靠它了，编码的真正作用发生在我们把刚才的responseStream转换为string，代码如下所示：

?
我这边用了比较原始的方法，没有用正则表达式，如果你觉得这个方法很挫，你可以换成正则表达式。看到没，StreamReader通过oEncoding得知该用哪种编码来把byte[]转换为String。

（这里牵扯到几年前我做过的一道面试题：String和byte[]如何进行转换？说说你的经验。这道题虽然很多公司不面，但我倒觉得这道题是可以深入的，因为encoding其实是个很不错的面试话题，也很考基础知识。）

d. 如何使用CookieContainer

通常呢，稍微有点防御的网站都会验cookie，或者放个身份认证的cookie，如何在请求中放cookie呢，自然是靠CookieContainer（其实也可以通过AddHttpHeader，但本文只讨论CookieContainer，好处等会儿说，先卖个关子。）CookieContainer的接口有点搞，因为既有Add，也有SetCookie，我一开始就上了老当，用了Add，结果没有效果。SetCookies才是正确的方法，这个方法即可以一次性设置完所有的cookie，也可以一个一个设置，如下：

?
这里使用Cookie而非直接用字符串是出于安全考虑，因为Cookie对象的ToString自动帮我们把encoding做掉了，所以这么写会比直接用字符串来的安全，SetCookies是需要指定Url的，不过通常对于同一个网站host应该是一样的，比如www.a.com，不过目前还没遇到过跨域问题，等遇到了我单独写一篇讨论，跨域可又是另外一个头疼的问题了。

这里要说一下CookieContainer和AddHttpHeader的区别，首先这两个不能同时使用，只能用一个，其次CookieContainer毕竟是容器，所以理论上可以把另外一个请求的cookie一起带过来，然后实现cookie传递逻辑，而AddHttpHeader做不到这一点，这是最大的区别。

先写到这，大家有什么关于HttpWebRequest的其他心得可以发在回复中，我会整理后更新这个帖子。