如何構造一個C#語言的爬蟲程序

本篇內容介紹了“如何構造一個C#語言的爬蟲程序”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

　　轉CSDN

　　C#特別適合于構造蜘蛛程序，這是因為它已經內置了HTTP訪問和多線程的能力，而這兩種能力對于蜘蛛程序來說都是非常關鍵的。下面是構造一個蜘蛛程序要解決的關鍵問題：

　　⑴ HTML分析：需要某種HTML解析器來分析蜘蛛程序遇到的每一個頁面。

　　⑵ 頁面處理：需要處理每一個下載得到的頁面。下載得到的內容可能要保存到磁盤，或者進一步分析處理。

　　⑶ 多線程：只有擁有多線程能力，蜘蛛程序才能真正做到高效。

　　⑷ 確定何時完成：不要小看這個問題，確定任務是否已經完成并不簡單，尤其是在多線程環境下。

　　一、HTML解析

　　本文提供的HTML解析器由ParseHTML類實現，使用非常方便：首先創建該類的一個實例，然后將它的Source屬性設置為要解析的HTML文檔：

　　ParseHTML parse=new ParseHTML();

　　parse.Source="<p>Hello World</p>";

　　接下來就可以利用循環來檢查HTML文檔包含的所有文本和標記。通常，檢查過程可以從一個測試Eof方法的while循環開始：

　　while(!parse.Eof())

　　{

　　char ch=parse.Parse();

　　Parse方法將返回HTML文檔包含的字符--它返回的內容只包含那些非HTML標記的字符，如果遇到了HTML標記，Parse方法將返回0值，表示現在遇到了一個HTML標記。遇到一個標記之后，我們可以用GetTag()方法來處理它。

　　if(ch==0)

　　{

　　HTMLTag tag=parse.GetTag();

　　}

　　一般地，蜘蛛程序最重要的任務之一就是找出各個HREF屬性，這可以借助C#的索引功能完成。例如，下面的代碼將提取出HREF屬性的值（如果存在的話）。

　　Attribute href="HREF"];

　　string link=href.Value;

　　獲得Attribute對象之后，通過Attribute.Value可以得到該屬性的值。

　　二、處理HTML頁面

　　下面來看看如何處理HTML頁面。首先要做的當然是下載HTML頁面，這可以通過C#提供的HttpWebRequest類實現：

　　HttpWebRequest request=(HttpWebRequest)WebRequest.Create(m_uri);

　　response=request.GetResponse();

　　stream=response.GetResponseStream();

　　接下來我們就從request創建一個stream流。在執行其他處理之前，我們要先確定該文件是二進制文件還是文本文件，不同的文件類型處理方式也不同。下面的代碼確定該文件是否為二進制文件。

　　if( !response.ContentType.ToLower().StartsWith("text/") )

　　{

　　SaveBinaryFile(response);

　　return null;

　　}

　　string buffer="",line;

　　如果該文件不是文本文件，我們將它作為二進制文件讀入。如果是文本文件，首先從stream創建一個StreamReader，然后將文本文件的內容一行一行加入緩沖區。

　　reader=new StreamReader(stream);

　　while( (line=reader.ReadLine())!=null )

　　{

　　buffer+=line+"\r\n";

　　}

　　裝入整個文件之后，接著就要把它保存為文本文件。

　　SaveTextFile(buffer);

　　下面來看看這兩類不同文件的存儲方式。

　　二進制文件的內容類型聲明不以"text/"開頭，蜘蛛程序直接把二進制文件保存到磁盤，不必進行額外的處理，這是因為二進制文件不包含HTML，因此也不會再有需要蜘蛛程序處理的HTML鏈接。下面是寫入二進制文件的步驟。

　　首先準備一個緩沖區臨時地保存二進制文件的內容。 byte []buffer=new byte[1024];

　　接下來要確定文件保存到本地的路徑和名稱。如果要把一個myhost.com網站的內容下載到本地的c:\test文件夾，二進制文件的網上路徑和名稱是則本地路徑和名稱應當是c:\test\images\logo.gif。與此同時，我們還要確保c:\test目錄下已經創建了images子目錄。這部分任務由convertFilename方法完成。

　　string filename=convertFilename( response.ResponseUri );

　　convertFilename方法分離HTTP地址，創建相應的目錄結構。確定了輸出文件的名字和路徑之后就可以打開讀取Web頁面的輸入流、寫入本地文件的輸出流。

　　Stream outStream=File.Create( filename );

　　Stream inStream=response.GetResponseStream();

　　接下來就可以讀取Web文件的內容并寫入到本地文件，這可以通過一個循環方便地完成。

　　int l;

　　do

　　{

　　l=inStream.Read(buffer,0,

　　buffer.Length);

　　if(l>0)

　　outStream.Write(buffer,0,l);

　　} while(l>0);

　　三、多線程

　　我們用DocumentWorker類封裝所有下載一個URL的操作。每當一個DocumentWorker的實例被創建，它就進入循環，等待下一個要處理的URL。下面是DocumentWorker的主循環：

　　while(!m_spider.Quit )

　　{

　　m_uri=m_spider.ObtainWork();

　　m_spider.SpiderDone.WorkerBegin();

　　string page=GetPage();

　　if(page!=null)

　　ProcessPage(page);

　　m_spider.SpiderDone.WorkerEnd();

　　}

　　這個循環將一直運行，直至Quit標記被設置成了true（當用戶點擊"Cancel"按鈕時，Quit標記就被設置成true）。在循環之內，我們調用ObtainWork獲取一個URL。ObtainWork將一直等待，直到有一個URL可用--這要由其他線程解析文檔并尋找鏈接才能獲得。Done類利用WorkerBegin和WorkerEnd方法來確定何時整個下載操作已經完成。

　　從圖一可以看出，蜘蛛程序允許用戶自己確定要使用的線程數量。在實踐中，線程的最佳數量受許多因素影響。如果你的機器性能較高，或者有兩個處理器，可以設置較多的線程數量；反之，如果網絡帶寬、機器性能有限，設置太多的線程數量其實不一定能夠提高性能。

　　四、任務完成了嗎？

　　利用多個線程同時下載文件有效地提高了性能，但也帶來了線程管理方面的問題。其中最復雜的一個問題是：蜘蛛程序何時才算完成了工作？在這里我們要借助一個專用的類Done來判斷。

　　首先有必要說明一下"完成工作"的具體含義。只有當系統中不存在等待下載的URL，而且所有工作線程都已經結束其處理工作時，蜘蛛程序的工作才算完成。也就是說，完成工作意味著已經沒有等待下載和正在下載的URL。

　　Done類提供了一個WaitDone方法，它的功能是一直等待，直到Done對象檢測到蜘蛛程序已完成工作。下面是WaitDone方法的代碼。

　　public void WaitDone()

　　{

　　Monitor.Enter(this);

　　while ( m_activeThreads>0 )

　　{

　　Monitor.Wait(this);

　　}

　　Monitor.Exit(this);

　　}

　　WaitDone方法將一直等待，直到不再有活動的線程。但必須注意的是，下載開始的最初階段也沒有任何活動的線程，所以很容易造成蜘蛛程序一開始就立即停止的現象。為解決這個問題，我們還需要另一個方法WaitBegin來等待蜘蛛程序進入"正式的"工作階段。一般的調用次序是：先調用WaitBegin，再接著調用WaitDone，WaitDone將等待蜘蛛程序完成工作。下面是WaitBegin的代碼：

　　public void WaitBegin()

　　{

　　Monitor.Enter(this);

　　while ( !m_started )

　　{

　　Monitor.Wait(this);

　　}

　　Monitor.Exit(this);

　　}

　　WaitBegin方法將一直等待，直到m_started標記被設置。m_started標記是由WorkerBegin方法設置的。工作線程在開始處理各個URL之時，會調用WorkerBegin；處理結束時調用WorkerEnd。WorkerBegin和WorkerEnd這兩個方法幫助Done對象確定當前的工作狀態。下面是WorkerBegin方法的代碼：

　　public void WorkerBegin()

　　{

　　Monitor.Enter(this);

　　m_activeThreads++;

　　m_started=true;

　　Monitor.Pulse(this);

　　Monitor.Exit(this);

　　}

　　WorkerBegin方法首先增加當前活動線程的數量，接著設置m_started標記，最后調用Pulse方法以通知（可能存在的）等待工作線程啟動的線程。如前所述，可能等待Done對象的方法是WaitBegin方法。每處理完一個URL，WorkerEnd方法會被調用：

　　public void WorkerEnd()

　　{

　　Monitor.Enter(this);

　　m_activeThreads--;

　　Monitor.Pulse(this);

　　Monitor.Exit(this);

　　}

　　WorkerEnd方法減小m_activeThreads活動線程計數器，調用Pulse釋放可能在等待Done對象的線程--如前所述，可能在等待Done對象的方法是WaitDone方法。

“如何構造一個C#語言的爬蟲程序”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！