如何构造一个C#语言的爬虫程序

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。下面是达内培训为大家分享的构造一个蜘蛛程序要解决的关键问题：　　 ⑴ 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。　　 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：以下是引用片段：ParseHTML parse = new ParseHTML();　　parse.Source = 'Hello World ';　　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：以下是引用片段：while(!parse.Eof())　　{　　char ch = 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。以下是引用片段：　if(ch==0)　　{　　HTMLTag tag = 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)。以下是引用片段：Attribute href = tag['HREF'];　　string link = 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：以下是引用片段：HttpWebRequest request = (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。以下是引用片段：if( !response.ContentType.ToLower().StartsWith('text/') )　　{　　SaveBinaryFile(response);　　return null;　　}　　string buffer = '',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。以下是引用片段：reader = new StreamReader(stream);　　while( (line = reader.ReadLine())!=null )　　{　　buffer+=line+'';　　}　　装入整个文件之后，接着就要把它保存为文本文件。以下是引用片段：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。以下是引用片段：byte []buffer = new byte[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: est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: estimageslogo.gif。与此同时，我们还要确保c: est目录下已经创建了images子目录。这部分任务由convertFilename方法完成。以下是引用片段：　　string filename = 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。　　Stream outStream = File.Create( filename );　　Stream inStream = 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。以下是引用片段：　　int l;　　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：以下是引用片段：　　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();　　}　　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。以上就是我为大家分享的有关如何构造一个C#语言的爬虫程序（一）的相关知识，如需知道更多关于这方面的知识，请关注我们。