如何构造一个C#语言的爬虫蜘蛛程序.docVIP

如何构造一个C#语言的爬虫蜘蛛程序 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： 　　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： 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： 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。 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）。 　　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： 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。 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。 reader = new StreamReader(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。 　　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 = 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/UploadFiles_6597/200810/20081024100031976.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。 　　string filename = convertFilename( response.ResponseUri ); 　　convertFilename方法分离