如何用c#语言构造蜘蛛程式_c#应用

　　"蜘蛛"（Spider）是Internet上一种很有用的程式，搜索引擎利用蜘蛛程式将Web页面收集到数据库，企业利用蜘蛛程式监控竞争对手的网站并跟踪变动，个人用户用蜘蛛程式下载Web页面以便脱机使用，研发者利用蜘蛛程式扫描自己的Web检查无效的链接……对于不同的用户，蜘蛛程式有不同的用途。那么，蜘蛛程式到底是怎样工作的呢？

　　蜘蛛是一种半自动的程式，就象现实当中的蜘蛛在他的Web（蜘蛛网）上旅行相同，蜘蛛程式也按照类似的方式在Web链接织成的网上旅行。蜘蛛程式之所以是半自动的，是因为他总是需要一个初始链接（出发点），但此后的运行情况就要由他自己决定了，蜘蛛程式会扫描起始页面包含的链接，然后访问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，最终蜘蛛程式会访问到Internet上的每一个页面，因为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式，他能够把整个网站的内容下载到某个指定的目录，程式的运行界面如图一。您能够方便地利用本文提供的几个核心类构造出自己的蜘蛛程式。

图1

　　C#特别适合于构造蜘蛛程式，这是因为他已内置了HTTP访问和多线程的能力，而这两种能力对于蜘蛛程式来说都是很关键的。下面是构造一个蜘蛛程式要解决的关键问题：

　　⑴ HTML分析：需要某种HTML解析器来分析蜘蛛程式碰到的每一个页面。

　　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，或进一步分析处理。

　　⑶ 多线程：只有拥有多线程能力，蜘蛛程式才能真正做到高效。

　　⑷ 确定何时完成：不要小看这个问题，确定任务是否已完成并不简单，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；但是，XML有着严格的语法，为XML设计的解析器对HTML来说根本没用，因为HTML的语法要宽松得多。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单独的，您能够方便地将他用于其他用C#处理HTML的场合。

　　本文提供的HTML解析器由ParseHTML类实现，使用很方便：首先创建该类的一个实例，然后将他的Source属性配置为要解析的HTML文档：

ParseHTML parse = new ParseHTML();
parse.Source = "<p>Hello World</p>";

　　接下来就能够利用循环来检查HTML文档包含的任何文本和标记。通常，检查过程能够从一个测试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--他返回的内容只包含那些非HTML标记的字符，假如碰到了HTML标记，Parse方法将返回0值，表示现在碰到了一个HTML标记。碰到一个标记之后，我们能够用GetTag()方法来处理他。

if(ch==0)
{
HTMLTag tag = parse.GetTag();
}

　　一般地，蜘蛛程式最重要的任务之一就是找出各个HREF属性，这能够借助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能够得到该属性的值。

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，这能够通过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，我们要先确定该文档是二进制文档还是文本文档，不同的文档类型处理方式也不同。下面的代码确定该文档是否为二进制文档。

if( !response.ContentType.ToLower().StartsWith("text/") )
{
SaveBinaryFile(response);
return null;
}
string buffer = "",line;

　　假如该文档不是文本文档，我们将他作为二进制文档读入。假如是文本文档，首先从stream创建一个StreamReader，然后将文本文档的内容一行一行加入缓冲区。

reader = new StreamReader(stream);
while( (line = reader.ReadLine())!=null )
{
buffer =line "\r\n";
}

　　装入整个文档之后，接着就要把他保存为文本文档。

SaveTextFile(buffer);

　　下面来看看这两类不同文档的存储方式。

　　二进制文档的内容类型声明不以"text/"开头，蜘蛛程式直接把二进制文档保存到磁盘，不必进行额外的处理，这是因为二进制文档不包含HTML，因此也不会再有需要蜘蛛程式处理的HTML链接。下面是写入二进制文档的步骤。

　　首先准备一个缓冲区临时地保存二进制文档的内容。 byte []buffer = new byte[1024];

　　接下来要确定文档保存到本地的路径和名称。假如要把一个myhost.com网站的内容下载到本地的c:\test文档夹，二进制文档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:\test\images\logo.gif。和此同时，我们还要确保c:\test目录下已创建了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HTTP地址，创建相应的目录结构。确定了输出文档的名字和路径之后就能够打开读取Web页面的输入流、写入本地文档的输出流。

Stream outStream = File.Create( filename );
Stream inStream = response.GetResponseStream();

　　接下来就能够读取Web文档的内容并写入到本地文档，这能够通过一个循环方便地完成。

int l;
do
{
l = inStream.Read(buffer,0,
buffer.Length);
if(l>0)

标签：

版权申明：本站文章部分自网络，如有侵权，请联系：west999com@outlook.com
特别注意：本站所有转载文章言论不代表本站观点，本站所提供的摄影照片，插画，设计作品，如需使用，请与原作者联系，版权归原作者所有