如何用C#語言構(gòu)造蜘蛛程序（網(wǎng)絡(luò)爬蟲）
- [日期：2005-08-29]
- 來源：
- 作者：Jeff Heaton;仙人掌工作室譯
- 閱讀：1045 次
"蜘蛛"（Spider）是Internet上一種很有用的程序，搜索引擎利用蜘蛛程序?qū)eb頁面收集到數(shù)據(jù)庫，企業(yè)利用蜘蛛程序監(jiān)視競爭對(duì)手的網(wǎng)站并跟蹤變動(dòng)，個(gè)人用戶用蜘蛛程序下載Web頁面以便脫機(jī)使用，開發(fā)者利用蜘蛛程序掃描自己的Web檢查無效的鏈接……對(duì)于不同的用戶，蜘蛛程序有不同的用途。那么，蜘蛛程序到底是怎樣工作的呢？
蜘蛛是一種半自動(dòng)的程序，就象現(xiàn)實(shí)當(dāng)中的蜘蛛在它的Web（蜘蛛網(wǎng)）上旅行一樣，蜘蛛程序也按照類似的方式在Web鏈接織成的網(wǎng)上旅行。蜘蛛程序之所以是半自動(dòng)的，是因?yàn)樗偸切枰粋€(gè)初始鏈接（出發(fā)點(diǎn)），但此后的運(yùn)行情況就要由它自己決定了，蜘蛛程序會(huì)掃描起始頁面包含的鏈接，然后訪問這些鏈接指向的頁面，再分析和追蹤那些頁面包含的鏈接。從理論上看，最終蜘蛛程序會(huì)訪問到Internet上的每一個(gè)頁面，因?yàn)镮nternet上幾乎每一個(gè)頁面總是被其他或多或少的頁面引用。
本文介紹如何用C#語言構(gòu)造一個(gè)蜘蛛程序，它能夠把整個(gè)網(wǎng)站的內(nèi)容下載到某個(gè)指定的目錄，程序的運(yùn)行界面如圖一。你可以方便地利用本文提供的幾個(gè)核心類構(gòu)造出自己的蜘蛛程序。
圖1
C#特別適合于構(gòu)造蜘蛛程序，這是因?yàn)樗呀?jīng)內(nèi)置了HTTP訪問和多線程的能力，而這兩種能力對(duì)于蜘蛛程序來說都是非常關(guān)鍵的。下面是構(gòu)造一個(gè)蜘蛛程序要解決的關(guān)鍵問題：
?、?HTML分析：需要某種HTML解析器來分析蜘蛛程序遇到的每一個(gè)頁面。
?、?頁面處理：需要處理每一個(gè)下載得到的頁面。下載得到的內(nèi)容可能要保存到磁盤，或者進(jìn)一步分析處理。
?、?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(shí)完成：不要小看這個(gè)問題，確定任務(wù)是否已經(jīng)完成并不簡單，尤其是在多線程環(huán)境下。
一、HTML解析
C#語言本身不包含解析HTML的能力，但支持XML解析；不過，XML有著嚴(yán)格的語法，為XML設(shè)計(jì)的解析器對(duì)HTML來說根本沒用，因?yàn)镠TML的語法要寬松得多。為此，我們需要自己設(shè)計(jì)一個(gè)HTML解析器。本文提供的解析器是高度獨(dú)立的，你可以方便地將它用于其它用C#處理HTML的場合。
本文提供的HTML解析器由ParseHTML類實(shí)現(xiàn)，使用非常方便：首先創(chuàng)建該類的一個(gè)實(shí)例，然后將它的Source屬性設(shè)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(huán)來檢查HTML文檔包含的所有文本和標(biāo)記。通常，檢查過程可以從一個(gè)測試Eof方法的while循環(huán)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(nèi)容只包含那些非HTML標(biāo)記的字符，如果遇到了HTML標(biāo)記，Parse方法將返回0值，表示現(xiàn)在遇到了一個(gè)HTML標(biāo)記。遇到一個(gè)標(biāo)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(wù)之一就是找出各個(gè)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 = tag["HREF"];
string link = href.Value; |
獲得Attribute對(duì)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(dāng)然是下載HTML頁面，這可以通過C#提供的HttpWebRequest類實(shí)現(xiàn)：
HttpWebRequest request = (HttpWebRequest)WebRequest.Create(m_uri);
response = request.GetResponse();
stream = response.GetResponseStream(); |
接下來我們就從request創(chuàng)建一個(gè)stream流。在執(zhí)行其他處理之前，我們要先確定該文件是二進(jìn)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(jìn)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(jìn)制文件讀入。如果是文本文件，首先從stream創(chuàng)建一個(gè)StreamReader，然后將文本文件的內(nèi)容一行一行加入緩沖區(qū)。
reader = new StreamReader(stream);
while( (line = reader.ReadLine())!=null )
{
buffer+=line+"\r\n";
} |
裝入整個(gè)文件之后，接著就要把它保存為文本文件。
下面來看看這兩類不同文件的存儲(chǔ)方式。
二進(jìn)制文件的內(nèi)容類型聲明不以"text/"開頭，蜘蛛程序直接把二進(jìn)制文件保存到磁盤，不必進(jìn)行額外的處理，這是因?yàn)槎M(jìn)制文件不包含HTML，因此也不會(huì)再有需要蜘蛛程序處理的HTML鏈接。下面是寫入二進(jìn)制文件的步驟。
首先準(zhǔn)備一個(gè)緩沖區(qū)臨時(shí)地保存二進(jìn)制文件的內(nèi)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(gè)網(wǎng)站的內(nèi)容下載到本地的c:\test文件夾，二進(jìn)制文件的網(wǎng)上路徑和名稱是 http:///images/logo.gif，則本地路徑和名稱應(yīng)當(dāng)是c:\test\images\logo.gif。與此同時(shí)，我們還要確保c:\test目錄下已經(jīng)創(chuàng)建了images子目錄。這部分任務(wù)由convertFilename方法完成。
string filename = convertFilename( response.ResponseUri ); |
convertFilename方法分離HTTP地址，創(chuàng)建相應(yīng)的目錄結(jié)構(gòu)。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(nèi)容并寫入到本地文件，這可以通過一個(gè)循環(huán)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); |
寫入整個(gè)文件之后，關(guān)閉輸入流、輸出流。
outStream.Close();
inStream.Close(); |
比較而言，下載文本文件更容易一些。文本文件的內(nèi)容類型總是以"text/"開頭。假設(shè)文件已被下載并保存到了一個(gè)字符串，這個(gè)字符串可以用來分析網(wǎng)頁包含的鏈接，當(dāng)然也可以保存為磁盤上的文件。下面代碼的任務(wù)就是保存文本文件。
string filename = convertFilename( m_uri );
StreamWriter outStream = new StreamWriter( filename );
outStream.Write(buffer);
outStream.Close(); |
在這里，我們首先打開一個(gè)文件輸出流，然后將緩沖區(qū)的內(nèi)容寫入流，最后關(guān)閉文件。
三、多線程 多線程使得計(jì)算機(jī)看起來就象能夠同時(shí)執(zhí)行一個(gè)以上的操作，不過，除非計(jì)算機(jī)包含多個(gè)處理器，否則，所謂的同時(shí)執(zhí)行多個(gè)操作僅僅是一種模擬出來的效果--靠計(jì)算機(jī)在多個(gè)線程之間快速切換達(dá)到"同時(shí)"執(zhí)行多個(gè)操作的效果。一般而言，只有在兩種情況下多線程才能事實(shí)上提高程序運(yùn)行的速度。第一種情況是計(jì)算機(jī)擁有多個(gè)處理器，第二種情況是程序經(jīng)常要等待某個(gè)外部事件。 對(duì)于蜘蛛程序來說，第二種情況正是它的典型特征之一，它每發(fā)出一個(gè)URL請求，總是要等待文件下載完畢，然后再請求下一個(gè)URL。如果蜘蛛程序能夠同時(shí)請求多個(gè)URL，顯然能夠有效地減少總下載時(shí)間。 為此，我們用DocumentWorker類封裝所有下載一個(gè)URL的操作。每當(dāng)一個(gè)DocumentWorker的實(shí)例被創(chuàng)建，它就進(jìn)入循環(huán)，等待下一個(gè)要處理的URL。下面是DocumentWorker的主循環(huán)：
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(gè)循環(huán)將一直運(yùn)行，直至Quit標(biāo)記被設(shè)置成了true（當(dāng)用戶點(diǎn)擊"Cancel"按鈕時(shí)，Quit標(biāo)記就被設(shè)置成true）。在循環(huán)之內(nèi)，我們調(diào)用ObtainWork獲取一個(gè)URL。ObtainWork將一直等待，直到有一個(gè)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(shí)整個(gè)下載操作已經(jīng)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(shù)量。在實(shí)踐中，線程的最佳數(shù)量受許多因素影響。如果你的機(jī)器性能較高，或者有兩個(gè)處理器，可以設(shè)置較多的線程數(shù)量；反之，如果網(wǎng)絡(luò)帶寬、機(jī)器性能有限，設(shè)置太多的線程數(shù)量其實(shí)不一定能夠提高性能。
四、任務(wù)完成了嗎？ 利用多個(gè)線程同時(shí)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(fù)雜的一個(gè)問題是：蜘蛛程序何時(shí)才算完成了工作？在這里我們要借助一個(gè)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(dāng)系統(tǒng)中不存在等待下載的URL，而且所有工作線程都已經(jīng)結(jié)束其處理工作時(shí)，蜘蛛程序的工作才算完成。也就是說，完成工作意味著已經(jīng)沒有等待下載和正在下載的URL。 Done類提供了一個(gè)WaitDone方法，它的功能是一直等待，直到Done對(duì)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(dòng)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(dòng)的線程，所以很容易造成蜘蛛程序一開始就立即停止的現(xiàn)象。為解決這個(gè)問題，我們還需要另一個(gè)方法WaitBegin來等待蜘蛛程序進(jìn)入"正式的"工作階段。一般的調(diào)用次序是：先調(diào)用WaitBegin，再接著調(diào)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(biāo)記被設(shè)置。m_started標(biāo)記是由WorkerBegin方法設(shè)置的。工作線程在開始處理各個(gè)URL之時(shí)，會(huì)調(diào)用WorkerBegin；處理結(jié)束時(shí)調(diào)用WorkerEnd。WorkerBegin和WorkerEnd這兩個(gè)方法幫助Done對(duì)象確定當(dāng)前的工作狀態(tài)。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(dāng)前活動(dòng)線程的數(shù)量，接著設(shè)置m_started標(biāo)記，最后調(diào)用Pulse方法以通知（可能存在的）等待工作線程啟動(dòng)的線程。如前所述，可能等待Done對(duì)象的方法是WaitBegin方法。每處理完一個(gè)URL，WorkerEnd方法會(huì)被調(diào)用：
public void WorkerEnd()
{
Monitor.Enter(this);
m_activeThreads--;
Monitor.Pulse(this);
Monitor.Exit(this);
} |
|
