使用C#实现蜘蛛程序知识整理

1、使用c#实现蜘蛛程序知识整理"蜘蛛"（spider）是internet上一种很实用的程序，搜寻引擎利用蜘蛛程序将web页面收集到数据库，企业利用蜘蛛程序监视竞争对手的网站并跟踪变动，个人用户用蜘蛛程序下载web页面以便脱机用法，开发者利用蜘蛛程序扫描自己的web检查无效的链接对于不同的用户，蜘蛛程序有不同的用途。那么，蜘蛛程序到底是怎样工作的呢？蜘蛛是一种半自动的程序，就象现实当中的蜘蛛在它的web（蜘蛛网）上旅行一样，蜘蛛程序也根据类似的方式在web链接织成的网上旅行。蜘蛛程序之所以是半自动的，是由于它总是需要一个初始链接（动身点），但此后的运行状况就要由

2、它自己打算了，蜘蛛程序会扫描起始页面包含的链接，然后拜访这些链接指向的页面，再分析和追踪那些页面包含的链接。从理论上看，终于蜘蛛程序会拜访到internet上的每一个页面，由于internet上几乎每一个页面总是被其他或多或少的页面引用。本文介绍如何用c语言构造一个蜘蛛程序，它能够把囫囵网站的内容下载到某个指定的名目，程序的运行界面一。你可以便利地利用本文提供的几个核心类构造出自己的蜘蛛程序。图1c特殊适合于构造蜘蛛程序，这是由于它已经内置了http拜访和多线程的能力，而这两种能力对于蜘蛛程序来说都是十分关键的。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

3、析蜘蛛程序碰到的每一个页面。 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：惟独拥有多线程能力，蜘蛛程序才干真正做到高效。 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容易，尤其是在多线程环境下。一、html解析c语言本身不包含解析html的能力，但支持xml解析；不过，xml有着严格的语法，为xml设计的解析器对html来说根本没用，由于html的语法要宽裕得多。为此，我们需要自己设计一个html解析器。本文提供的解析器是高度自立的，你可以便利地将它用于其它用c处理html的场合。本文提供的html解析器由parsehtml

4、类实现，用法十分便利：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文档包含的全部文本和标志。通常，检查过程可以从一个测试eof办法的while循环开头：while(!parse.eof()char ch = parse.parse()parse办法将返回html文档包含的字符-它返回的内容只包含那些非html标志的字符，假如碰到了html标志，parse办法将返回0值，

5、表示现在碰到了一个html标志。碰到一个标志之后，我们可以用gettag()办法来处理它。if(ch=0)htmltag tag = parse.gettag();?普通地，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（假如存在的话）。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。首先要做的固

6、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.tolowe

7、r().startswith("text/") )savebinaryfile(response);return null;string buffer = "",line;?假如该文件不是文本文件，我们将它作为二进制文件读入。假如是文本文件，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+"

8、rn"?装入囫囵文件之后，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/"开始，蜘蛛程序挺直把二进制文件保存到磁盘，不必举行额外的处理，这是由于二进制文件不包含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。首先预备一个缓冲区暂时地保存二进制文件的内容。 byte buffer = new byte1024;?接下来要确定文件保存到本地的路径和名称。假如要把一个网站的内容下载到本地的c:test文件夹，二

9、进制文件的网上路径和名称是则本地路径和名称应该是c:testimageslogo.gif。与此同时，我们还要确保c:test名目下已经创建了images子名目。这部分任务由convertfilename办法完成。string filename = convertfilename( response.responseuri );?convertfilename办法分别http地址，创建相应的名目结构。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 instre

10、am = 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便利地完成。int l;dol = instream.read(buffer,0,buffer.length);if(l>0)outstream.write(buffer,0,l); while(l>0);?写入囫囵文件之后，关闭输入流、输出流。outstream.close();instream.close();?比较而言，下载文本文件更简单一些。文本文件的内容类型总是以"text/"开始。假设文件已被下载并

11、保存到了一个字符串，这个字符串可以用来分析网页包含的链接，固然也可以保存为磁盘上的文件。下面代码的任务就是保存文本文件。string filename = convertfilename( m_uri );streamwriter outstream = new streamwriter( filename );outstream.write(buffer);outstream.close();?在这里，我们首先打开一个文件输出流，然后将缓冲区的内容写入流，最后关闭文件。三、多线程多线程使得计算机看起来就象能够同时执行一个以上的操作，不过，除非计算机包含多个处理器，否则，所谓的同时执行多个操作

12、仅仅是一种模拟出来的效果-靠计算机在多个线程之间迅速切换达到"同时"执行多个操作的效果。普通而言，惟独在两种状况下多线程才干实际上提高程序运行的速度。第一种状况是计算机拥有多个处理器，其次种状况是程序常常要等待某个外部大事。对于蜘蛛程序来说，其次种状况正是它的典型特征之一，它每发出一个url哀求，总是要等待文件下载完毕，然后再哀求下一个url。假如蜘蛛程序能够同时哀求多个url，明显能够有效地削减总下载时光。为此，我们用documentworker类封装全部下载一个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

13、的url。下面是documentworker的主循环：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();?这个循环将向来运行，直至quit标志被设置成了true（当用户点击"cancel"按钮时，quit标志就被设置成true）。在循环之内，我们调用obtainwo

14、rk猎取一个url。obtainwork将向来等待，直到有一个url可用-这要由其他线程解析文档并寻觅链接才干获得。done类利用workerbegin和workerend办法来确定何时囫囵下载操作已经完成。从图一可以看出，蜘蛛程序允许用户自己确定要用法的线程数量。在实践中，线程的最佳数量受许多因素影响。假如你的机器性能较高，或者有两个处理器，可以设置较多的线程数量；反之，假如网络带宽、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

15、借助一个专用的类done来推断。首先有须要解释一下"完成工作"的详细含义。惟独当系统中不存在等待下载的url，而且全部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办法，它的功能是向来等待，直到done对象检测到蜘蛛程序已完成工作。下面是waitdone办法的代码。public void waitdone()monitor.enter(this);while ( m_activethreads>0 )monitor.wait(this);monit

16、or.exit(this);?waitdone办法将向来等待，直到不再有活动的线程。但必需注重的是，下载开头的最初阶段也没有任何活动的线程，所以很简单造成蜘蛛程序一开头就立刻停止的现象。为解决这个问题，我们还需要另一个办法waitbegin来等待蜘蛛程序进入"官方的"工作阶段。普通的调用次序是：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：public void waitbegin()monitor.enter(this);while ( !m_started )monitor.

17、wait(this);monitor.exit(this);?waitbegin办法将向来等待，直到m_started标志被设置。m_started标志是由workerbegin办法设置的。工作线程在开头处理各个url之时，会调用workerbegin；处理结束时调用workerend。workerbegin和workerend这两个办法协助done对象确定当前的工作状态。下面是workerbegin办法的代码：public void workerbegin()monitor.enter(this);m_activethreads+;m_started = true;monitor.pulse(this);monitor.exit(this);?workerbegin办法首先增强当前活动线程的数量，接着设置m_started标志，最后调用pulse办法以通知（可能存在的）等