c# - 如何在不下载所有页面源的情况下获取网页标题

Question

我正在寻找一种方法来获取网页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，或者它只下载一定数量的字符，或者一旦到达标签就停止，但这显然仍然很大？

谢谢

Answer 1

作为 <title>标记在 HTML 本身中，将无法不下载文件以查找“只是标题”。在阅读 <title> 之前，您应该可以下载文件的一部分。标记，或 </head>标记然后停止，但您仍然需要下载(至少部分)文件。

这可以通过 HttpWebRequest 来完成/HttpWebResponse并从响应流中读取数据，直到我们读入 <title></title> block ，或 </head>标签。我添加了 </head>标记检查，因为在有效的 HTML 中，标题 block 必须出现在头部 block 内 - 因此，通过此检查，我们在任何情况下都不会解析整个文件(当然，除非没有头部 block )。

以下应该能够完成这个任务:

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:更新原始源代码示例以使用已编译的 Regex和一个 using Stream 的声明以提高效率和可维护性。