您的位置毕业设计论文网 , 信息管理系统毕业设计,智轩软件源码网>Android>C#>【转】C#编写的蜘蛛爬虫程序>

【转】C#编写的蜘蛛爬虫程序

发布时间:2012-4-3浏览:

核心提示:【转】C#编写的蜘蛛爬虫程序

 C#特别适合于构造蜘蛛程序,这是因为它已经内置了HTTP访问和多线程的能力,而这两种能力对于蜘蛛程序来说都是非常关键的。下面是构造一个蜘蛛程序要解决的关键问题:   ⑴HTML分析:需要某种HTML解析器来分析蜘蛛程序遇到的每一个页面。   ⑵页面处理:需要处理每一个下载得到的页面。下载得到的内容可能要保存到磁盘,或者进一步分析处理。   ⑶多线程:只有拥有多线程能力,蜘蛛程序才能真正做到高效。   ⑷确定何时完成:不要小看这个问题,确定任务是否已经完成并不简单,尤其是在多线程环境下。   一、HTML解析   本文提供的HTML解析器由ParseHTML类实现,使用非常方便:首先创建该类的一个实例,然后将它的Source属性设置为要解析的HTML文档: ParseHTMLparse=newParseHTML();   parse.Source="HelloWorld";   接下来就可以利用循环来检查HTML文档包含的所有文本和标记。通常,检查过程可以从一个测试Eof方法的while循环开始: while(!parse.Eof())   {   charch=parse.Parse();   Parse方法将返回HTML文档包含的字符--它返回的内容只包含那些非HTML标记的字符,如果遇到了HTML标记,Parse方法将返回0值,表示现在遇到了一个HTML标记。遇到一个标记之后,我们可以用GetTag()方法来处理它。  if(ch==0)   {   HTMLTagtag=parse.GetTag();   }   一般地,蜘蛛程序最重要的任务之一就是找出各个HREF属性,这可以借助C#的索引功能完成。例如,下面的代码将提取出HREF属性的值(如果存在的话)。 Attributehref=tag["HREF"];   stringlink=href.Value;   获得Attribute对象之后,通过Attribute.Value可以得到该属性的值。   二、处理HTML页面   下面来看看如何处理HTML页面。首先要做的当然是下载HTML页面,这可以通过C#提供的HttpWebRequest类实现: HttpWebRequestrequest=(HttpWebRequest)WebRequest.Create(m_uri);   response=request.GetResponse();   stream=response.GetResponseStream();   接下来我们就从request创建一个stream流。在执行其他处理之前,我们要先确定该文件是二进制文件还是文本文件,不同的文件类型处理方式也不同。下面的代码确定该文件是否为二进制文件。 if(!response.ContentType.ToLower().StartsWith("text/"))   {   SaveBinaryFile(response);   returnnull;   }   stringbuffer="",line;   如果该文件不是文本文件,我们将它作为二进制文件读入。如果是文本文件,首先从stream创建一个StreamReader,然后将文本文件的内容一行一行加入缓冲区。 reader=newStreamReader(stream);   while((line=reader.ReadLine())!=null)   {   buffer+=line+"\r\n";   }   装入整个文件之后,接着就要把它保存为文本文件。 SaveTextFile(buffer);   下面来看看这两类不同文件的存储方式。   二进制文件的内容类型声明不以"text/"开头,蜘蛛程序直接把二进制文件保存到磁盘,不必进行额外的处理,这是因为二进制文件不包含HTML,因此也不会再有需要蜘蛛程序处理的HTML链接。下面是写入二进制文件的步骤。   首先准备一个缓冲区临时地保存二进制文件的内容。 byte[]buffer=newbyte[1024];   接下来要确定文件保存到本地的路径和名称。如果要把一个myhost.com网站的内容下载到本地的c:\test文件夹,二进制文件的网上路径和名称是http://myhost.com/images/logo.gif,则本地路径和名称应当是c:\test\images\logo.gif。与此同时,我们还要确保c:\test目录下已经创建了images子目录。这部分任务由convertFilename方法完成。   stringfilename=convertFilename(response.ResponseUri);   convertFilename方法分离HTTP地址,创建相应的目录结构。确定了输出文件的名字和路径之后就可以打开读取Web页面的输入流、写入本地文件的输出流。   StreamoutStream=File.Create(filename);   StreaminStream=response.GetResponseStream();   接下来就可以读取Web文件的内容并写入到本地文件,这可以通过一个循环方便地完成。   intl;   do   {   l=inStream.Read(buffer,0,   buffer.Length);   if(l>0)   outStream.Write(buffer,0,l);   } while(l>0);   三、多线程   我们用DocumentWorker类封装所有下载一个URL的操作。每当一个DocumentWorker的实例被创建,它就进入循环,等待下一个要处理的URL。下面是DocumentWorker的主循环:   while(!m_spider.Quit)   {   m_uri=m_spider.ObtainWork();   m_spider.SpiderDone.WorkerBegin();   stringpage=GetPage();   if(page!=null)   ProcessPage(page);   m_spider.SpiderDone.WorkerEnd();   }   这个循环将一直运行,直至Quit标记被设置成了true(当用户点击"Cancel"按钮时,Quit标记就被设置成true)。在循环之内,我们调用ObtainWork获取一个URL。ObtainWork将一直等待,直到有一个URL可用--这要由其他线程解析文档并寻找链接才能获得。Done类利用WorkerBegin和WorkerEnd方法来确定何时整个下载操作已经完成。   从图一可以看出,蜘蛛程序允许用户自己确定要使用的线程数量。在实践中,线程的最佳数量受许多因素影响。如果你的机器性能较高,或者有两个处理器,可以设置较多的线程数量;反之,如果网络带宽、机器性能有限,设置太多的线程数量其实不一定能够提高性能。   四、任务完成了吗?   利用多个线程同时下载文件有效地提高了性能,但也带来了线程管理方面的问题。其中最复杂的一个问题是:蜘蛛程序何时才算完成了工作?在这里我们要借助一个专用的类Done来判断。   首先有必要说明一下"完成工作"的具体含义。只有当系统中不存在等待下载的URL,而且所有工作线程都已经结束其处理工作时,蜘蛛程序的工作才算完成。也就是说,完成工作意味着已经没有等待下载和正在下载的URL。   Done类提供了一个WaitDone方法,它的功能是一直等待,直到Done对象检测到蜘蛛程序已完成工作。下面是WaitDone方法的代码。   publicvoidWaitDone()   {   Monitor.Enter(this);   while(m_activeThreads>0)   {   Monitor.Wait(this);   }   Monitor.Exit(this);   }   WaitDone方法将一直等待,直到不再有活动的线程。但必须注意的是,下载开始的最初阶段也没有任何活动的线程,所以很容易造成蜘蛛程序一开始就立即停止的现象。为解决这个问题,我们还需要另一个方法WaitBegin来等待蜘蛛程序进入"正式的"工作阶段。一般的调用次序是:先调用WaitBegin,再接着调用WaitDone,WaitDone将等待蜘蛛程序完成工作。下面是WaitBegin的代码:   publicvoidWaitBegin()   {   Monitor.Enter(this);   while(!m_started)   {   Monitor.Wait(this);   }   Monitor.Exit(this);   }   WaitBegin方法将一直等待,直到m_started标记被设置。m_started标记是由WorkerBegin方法设置的。工作线程在开始处理各个URL之时,会调用WorkerBegin;处理结束时调用WorkerEnd。WorkerBegin和WorkerEnd这两个方法帮助Done对象确定当前的工作状态。下面是WorkerBegin方法的代码:   publicvoidWorkerBegin()   {   Monitor.Enter(this);   m_activeThreads++;   m_started=true;   Monitor.Pulse(this);   Monitor.Exit(this);   }   WorkerBegin方法首先增加当前活动线程的数量,接着设置m_started标记,最后调用Pulse方法以通知(可能存在的)等待工作线程启动的线程。如前所述,可能等待Done对象的方法是WaitBegin方法。每处理完一个URL,WorkerEnd方法会被调用:   publicvoidWorkerEnd()   {   Monitor.Enter(this);   m_activeThreads--;   Monitor.Pulse(this);   Monitor.Exit(this);   }   WorkerEnd方法减小m_activeThreads活动线程计数器,调用Pulse释放可能在等待Done对象的线程--如前所述,可能在等待Done对象的方法是WaitDone方法。
前一篇:定做程序设计
后一篇:通过线程门实现Java并发编程
分享到: