C#语言的爬虫程序代码.docx

C#特别适合于构造蜘蛛程序，这是因为它已经内置了HTTP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： HTML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。 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。 多线程：只有拥有多线程能力，蜘蛛程序才能真正做到高效。 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：以下是代码片段：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：以下是代码片段：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。以下是代码片段：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)。以下是代码片段：Attributehref=tagHREF;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：以下是代码片段：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。以下是代码片段：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。以下是代码片段：reader=newStreamReader(stream);while(line=reader.ReadLine()!=null)buffer+=line+rn;装入整个文件之后，接着就要把它保存为文本文件。以下是代码片段：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。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。以下是代码片段：bytebuffer=newbyte1024;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，则本地路径和名称应当是c:testimageslogo.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。以下是代码片段：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。以下是代码片段：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。以下是代码片段：intl;dol=inStream.Read(buffer，0，buffer.Length);if(l0)outStream.Write(buffer，0，l);while(l0);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：以下是代码片段：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。以下是代码片段：publicvoidWaitDone()Monitor.Enter(this);while(m_activeThreads0)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：以下是代码片段：publicvoidWaitBegin()Monitor.Enter(this);while(!m_started)Monitor.Wait(this);Monitor.Exit(this);【引自Felomeng的博客】在爬虫/蜘蛛程序的制作（C#语言）一文中，已经介绍了爬虫程序实现的基本方法，可以说，已经实现了爬虫的功能。只是它存在一个效率问题，下载速度可能很慢。这是两方面的原因造成的：1.分析和下载不能同步进行。在爬虫/蜘蛛程序的制作（C#语言）中已经介绍了爬虫程序的两个步骤：分析和下载。在单线程的程序中，两者是无法 同时进行的。也就是说，分析时会造成网络空闲，分析的时间越长，下载的效率越低。反之也是一样，下载时无法同时进行分析，只有停下下载后才能进行下一步的 分析。问题浮出水面，我想大家都会想到：把分析和下载用不同的线程进行，问题不就解决了吗？2.只是单线程下载。相信大家都有用过网际快车等下载资源的经历，它里面是可以设置线程数的（近年版本默认是10，曾经默认是5）。它会将文件分成 与线程数相同的部分，然后每个线程下载自己的那一部分，这样下载效率就有可能提高。相信大家都有加多线程数，提升下载效率的经历。但细心的用户会发现，在 带宽一定的情况下，并不是线程越多，速度越快，而是在某一点达到峰值。爬虫作为特殊的下载工具，不具备多线程的能力何以有效率可谈？爬虫在信息时代的目 的，难道不是快速获取信息吗？所以，爬虫需要有多线程（可控数量）同时下载网页。好了，认识、分析完问题，就是解决问题了：多线程在C#中并不难实现。它有一个命名空间：System.Threading，提供了多线程的支持。要开启一个新线程，需要以下的初始化：ThreadStart startDownload = new ThreadStart( DownLoad ); /线程起始设置：即每个线程都执行DownLoad()，注意：DownLoad()必须为不带有参数的方法Thread downloadThread = new Thread( startDownload ); /实例化要开启的新类downloadThread.Start();/开启线程 由于线程起始时启动的方法不能带有参数，这就为多线程共享资源添加了麻烦。不过我们可以用类级变量（当然也可以使用其它方法，笔者认为此方法最简单易用）来解决这个问题。知道开启多线程下载的方法后，大家可能会产生几个疑问：1.如何控制线程的数量？2.如何防止多线程下载同一网页？3.如何判断线程结束？4.如何控制线程结束？下面就这几个问题提出解决方法：1.线程数量我们可以通过for循环来实现，就如同当年初学编程的打点程序一样。比如已知用户指定了n（它是一个int型变量）个线程吧，可以用如下方法开启五个线程。Thread downloadThread;/声名下载线程，这是C#的优势，即数组初始化时，不需要指定其长度，可以在使用时才指定。这个声名应为类级，这样也就为其它方法控件它们提供了可能ThreadStart startDownload = new ThreadStart( DownLoad );/线程起始设置：即每个线程都执行DownLoad()downloadThread = new Thread n ;/为线程申请资源，确定线程总数for( int i = 0; i n; i+ )/开启指定数量的线程数downloadThreadi = new Thread( startDownload );/指定线程起始设置downloadThreadi.Start();/逐个开启线程好了，实现控制开启线程数是不是很简单啊？2.下面出现的一个问题：所有的线程都调用DonwLoad()方法，这样如何避免它们同时下载同一个网页呢？这个问题也好解决，只要建立一下Url地址表，表中的每个地址只允许被一个线程申请即可。具体实现：可以利用数据库，建立一个表，表中有四列，其中一列专门用于存储Url地址，另外两列分别存放地址对应的线程以及该地址被申请的次数，最后一列存放 下载的内容。（当然，对应线程一列不是必要的）。当有线程申请后，将对应线程一列设定为当前线程编号，并将是否申请过一列设置为申请一次，这样，别的线程 就无法申请该页。如果下载成功，则将内容存入内容列。如果不成功，内容列仍为空，作为是否再次下载的依据之一，如果反复不成功，则进程将于达到重试次数 （对应该地址被申请的次数，用户可设）后，申请下一个Url地址。主要的代码如下（以VFP为例）：CREATE TABLE (ctablename) ( curl M , ctext M , ldowned I , threadNum I ) &建立一个表ctablename.dbf，含有地址、文本内容、已经尝试下载次数、线程标志（初值为-1，线程标志是从0开始的整数）四个字段cfullname = (ctablename) + .dbf&为表添加扩展名USE (cfullname) GO TOPLOCATE FOR (EMPTY( ALLTRIM( ctext ) ) AND ldowned 2 AND ( threadNum = thisNum OR threadNum = - 1) ) &查找尚未下载成功且应下载的属于本线程权限的Url地址，thisNum是当前线程的编号，可以通过参数传递得到gotUrl = curl recNum = RECNO()IF recNum = RECCOUNT() THEN &如果在列表中找到这样的Url地址UPDATE (cfullname) SET ldowned = ( ldowned + 1 ) , threadNum = thisNum WHERE RECNO() = recNum &更新表，将此记录更新为已申请，即下载次数加1，线程标志列设为本线程的编号。cfulltablename = (ctablename) + .dbfUSE (cfulltablename)SET EXACT ON LOCATE FOR curl = (csiteurl) & csiteurl是参数，为下载到的内容所对应的Url地址recNumNow = RECNO()&得到含有此地址的记录号UPDATE (cfulltablename) SET ctext = (ccontent) WHERE RECNO() = recNumNow &插入对应地址的对应内容ctablename = (ctablename) + .dbfUSE (ctablename)GO TOP SET EXACT ONLOCATE FOR curl = (cnewurl) &查找有无此地址IF RECNO() RECCOUNT() THEN &如果尚无此地址SET CARRY OFFINSERT INTO (ctablename) ( curl , ctext , ldowned , threadNum ) VALUES ( (cnewurl) , , 0 , -1 ) &将主页地址添加到列表好了，这样就解决了多线程中，线程冲突。当然，去重问题也可以在C#语言内解决，只根建立一个临时文件（文本就可以），保存所有的