续上一节内容，本节主要讲解一下Web压缩数据的处理方法。
在HTTP协议中指出，可以通过对内容压缩来减少网络流量，从而提高网络传输的性能。
那么问题来了，在HTTP中，采用的是什么样的压缩格式和机制呢？
首先呢，先说压缩格式，主要有三种：
我们这里就不细琢磨了，格式里面又有算法，又有规则什么的，我也搞不清楚，说多了，挨骂……理解上，就相当于我们常用的Zip、7Zip、RAR等压缩格式；
但是需要注意的是，ZLIB和GZIP都是使用的DEFLATE，这就有点儿意思了，后面再说：）
说完压缩格式，再来说机制，分为两条路子（请求、回复）：
来解释一下，首先客户端（比如说浏览器）发出请求，我们在使用浏览器的过程中，一般就只是输入一个网址或点击某个连接，不会刻意去填写一下Accept-Encoding，但是浏览器会为我们添加；这个Accept-Encoding，就是告诉网站服务器端，我（浏览器）可以解释这几种压缩格式（一个列表），你（网站服务器）要是压缩，就给我这几种格式，否则，就不要压缩了；网站服务器端收到请求后，进行解析，看看有没有自己能够使用的压缩格式，如果有，那么就进行压缩，如果有多个可以使用，那就要看优先级，选择优先级最高的格式进行压缩（后面列出规则），并将使用的压缩格式填入Content-Encoding中发送回客户端；客户端（浏览器）收到回复以后，就看Content-Encoding有没有值，如果有并且自己也认识，那么就可以正常解压，显示在界面上了。
这个就是压缩的机制了，一切看起来那么的和谐，但在互联网的世界，总是不缺乏“惊喜”，即使客户端不指定任何Accept-Encoding，服务器端也会根据情况返回Content-Encoding，这就迫使浏览器，还必须得有两把刷子，否则就傻眼了。
HTTP Header中Accept-Encoding 是浏览器发给服务器,声明浏览器支持的编码类型[1] 常见的有 Accept-Encoding: compress, gzip //支持compress 和gzip类型 Accept-Encoding: //默认是identity Accept-Encoding: * //支持所有类型 Accept-Encoding: compress;q=0.5, gzip;q=1.0//按顺序支持 gzip , compress Accept-Encoding: gzip;q=1.0, identity; q=0.5, *;q=0 // 按顺序支持 gzip , identity 服务器返回的对应的类型编码header是 content-encoding.服务器处理accept-encoding的规则如下所示： 1. 如果服务器可以返回定义在Accept-Encoding 中的任何一种Encoding类型, 那么处理成功(除非q的值等于0, 等于0代表不可接受) 2. * 代表任意一种Encoding类型 (除了在Accept-Encoding中显示定义的类型) 3. 如果有多个Encoding同时匹配, 按照q值顺序排列 4. identity总是可被接受的encoding类型(除非明确的标记这个类型q=0) 如果Accept-Encoding的值是空, 那么只有identity是会被接受的类型 如果Accept-Encoding中的所有类型服务器都没法返回, 那么应该返回406错误给客户端 如果request中没有Accept-Encoding 那么服务器会假设所有的Encoding都是可以被接受的。 如果Accept-Encoding中有identity 那么应该优先返回identity (除非有q值的定义,或者你认为另外一种类型是更有意义的) 注意: 如果服务器不支持identity 并且浏览器没有发送Accept-Encoding,那么服务器应该倾向于使用HTTP1.0中的 "gzip" and "compress" , 服务器可能按照客户端类型发送更适合的encoding类型 大部分HTTP1.0的客户端无法处理q值 Accept-Encoding与Content-Encoding的规则
Accept-Encoding 与 Content-Encoding 的对应规则
另外，需要额外说明的是，在Accept-Encoding中指定的delfate，可不一定是DEFLATE压缩格式，按照官方的说法：
也就是说，deflate其实对应的应该是ZLIB压缩格式，而它的名字，又与DEFLATE格式重名（估计这位同仁会被祭天了吧），导致很多浏览器厂商不知道究竟该用哪种格式来解释Content-Encoding: deflate，因为不论你选择哪种，都会有例外发生，这就尴尬了。所以，尽管deflate的压缩效果要比gzip好，但还是会被不少Web-Server放弃或者降低优先级。这也就是为什么我们会经常看到Content-Encoding: gzip而很少能看到Content-Encoding: deflate的原因；所以，我们在做爬虫的时候，也应该尽量避免使用deflate，减少不必要的麻烦。
话锋一转，回到我们的爬虫，也会遇到上面浏览器遇到的尴尬场面，所以，就必须得事先准备好常用的解压缩方式，要不然，数据抓下来了，读不出来，你说气不气~
本节中，我们就来继续改造我们的爬虫框架，让它也有两把刷子：）
[Code 2.3.1]
1 public static byte[] DecompressStreamData(Stream sourceStream, String contentEncoding) 2 { 3 var _stream = sourceStream; 4 switch ((contentEncoding ?? string.Empty).ToLower()) 5 { 6 case "gzip": 7 _stream = new GZipStream(sourceStream, CompressionMode.Decompress); 8 break; 9 case "deflate": 10 _stream = new DeflateStream(sourceStream, CompressionMode.Decompress); 11 break; 12 default: 13 break; 14 } 15 using (var memory = new MemoryStream()) 16 { 17 int length = 256; 18 Byte[] buffer = new Byte[length]; 19 int bytesRead = _stream.Read(buffer, 0, length); 20 while (bytesRead > 0) 21 { 22 memory.Write(buffer, 0, bytesRead); 23 bytesRead = _stream.Read(buffer, 0, length); 24 } 25 return memory.ToArray(); 26 } 27 }
DecompressStreamData 静态方法
这是一个公共静态方法，其目的就是将原数据流中的数据转换为byte[]数组，其中，如果指定了压缩格式，就会使用适当的方法进行解压。这里只提供了最常见的gzip和不推荐的deflate两种格式，可以自行扩展。
接下来，就是对工蚁（WorkerAnt）进行改造了。
[Code 2.3.2]
1 private void GetResponse(JobContext context) 2 { 3 context.Request.BeginGetResponse(new AsyncCallback(acGetResponse => 4 { 5 var contextGetResponse = acGetResponse.AsyncState as JobContext; 6 using (contextGetResponse.Response = contextGetResponse.Request.EndGetResponse(acGetResponse)) 7 using (contextGetResponse.ResponseStream = contextGetResponse.Response.GetResponseStream()) 8 using (contextGetResponse.Memory = new MemoryStream()) 9 { 10 // 此处省略N行…… 11 12 if (TaskStatus.Running == contextGetResponse.JobStatus) 13 { 14 if (!String.IsNullOrEmpty(contextGetResponse.Response.Headers["Content-Encoding"])) 15 { 16 contextGetResponse.Memory.Seek(0, SeekOrigin.Begin); 17 contextGetResponse.Buffer = DecompressStreamData(contextGetResponse.Memory 18 , contextGetResponse.Response.Headers["Content-Encoding"]); 19 //contextGetResponse.Buffer = contextGetResponse.Memory.ToArray(); 20 } 21 else 22 contextGetResponse.Buffer = contextGetResponse.Memory.ToArray(); 23 24 contextGetResponse.JobStatus = TaskStatus.RanToCompletion; 25 NotifyStatusChanged(new JobEventArgs { Context = context, EventAnt = this, }); 26 } 27 28 contextGetResponse.Buffer = null; 29 } 30 }), context); 31 }
改造WorkerAnt的GetResponse方法
注释中是原来使用的方法，现在用上面的DecompressStreamData替换掉了。
这样我们在收到采集完成事件通知时，就可以得到解压缩后的数据了：
[Code 2.3.3]
1 switch (args.Context.JobStatus) 2 { 3 // 此处省略N行…… 4 case TaskStatus.RanToCompletion: 5 if (null != args.Context.Buffer && 0 < args.Context.Buffer.Length) 6 { 7 Task.Factory.StartNew(oBuffer => 8 { 9 var content = new UTF8Encoding(false).GetString((byte[])oBuffer); 10 richOutput.EndInvoke(richOutput.BeginInvoke(new MethodInvoker(() => { richOutput.Text = content; }))); 11 }, args.Context.Buffer, TaskCreationOptions.LongRunning); 12 } 13 if (null != args.Context.Watch) 14 Console.WriteLine("/* ********************** using {0}ms / request ******************** */" 15 + Environment.NewLine + Environment.NewLine, (args.Context.Watch.Elapsed.TotalMilliseconds / 100).ToString("000.00")); 16 break; 17 // 此处省略N行…… 18 default:/* Do nothing on this even. */ 19 break; 20 }
改造应用中对事件的处理
至于为何在Complete事件的位置处理解压缩，而不在Running事件的位置，这是gzip的限制，它具有CRC校验位，CRC的算法，大家可以在网上搜索，大体上说，就是遍历一遍所有数据，进行与或计算，最终得到一个校验位，来保证数据的完整性与正确性。这也导致我们无法对中间数据进行解压，因为没有校验位，对末尾数据解压，又因数据不全，CRC计算结果也不会对。
至此，我们就完成了对HTTP协议内容部分已压缩数据的处理，抛砖引玉，可以实现更多种压缩格式的处理；
节外生枝：
喜欢本系列丛书的朋友,可以点击链接加入QQ交流群(994761602)【C# 破境之道】
方便各位在有疑问的时候可以及时给我个反馈。同时，也算是给各位志同道合的朋友提供一个交流的平台。
需要源码的童鞋，也可以在群文件中获取最新源代码。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。