至顶网›软件频道 ›基础软件›如何构造一个C＃语言的爬虫程序

如何构造一个C＃语言的爬虫程序

扫一扫
分享文章到微信
扫一扫
关注官方公众号
至顶头条

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。

作者：老痞子来源：老痞子’s blog 2007年11月17日

关键字：

　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:\test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:\test\images\logo.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。

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。

　　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?在这里我们要借助一个专用的类Done来判断。

　　首先有必要说明一下"完成工作"的具体含义。只有当系统中不存在等待下载的URL，而且所有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方法，它的功能是一直等待，直到Done对象检测到蜘蛛程序已完成工作。下面是WaitDone方法的代码。

以下是引用片段：
　　public void WaitDone()
　　{
　　Monitor.Enter(this);
　　while ( m_activeThreads>0 )
　　{
　　Monitor.Wait(this);
　　}
　　Monitor.Exit(this);
　　}

　　WaitDone方法将一直等待，直到不再有活动的线程。但必须注意的是，下载开始的最初阶段也没有任何活动的线程，所以很容易造成蜘蛛程序一开始就立即停止的现象。为解决这个问题，我们还需要另一个方法WaitBegin来等待蜘蛛程序进入"正式的"工作阶段。一般的调用次序是：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：

以下是引用片段：
　　public void WaitBegin()
　　{
　　Monitor.Enter(this);
　　while ( !m_started )
　　{
　　Monitor.Wait(this);
　　}
　　Monitor.Exit(this);
　　}

VIP专区

VIP用户

普通用户

邮件订阅

如果您非常迫切的想了解IT领域最新产品与技术信息，那么订阅至顶网技术邮件将是您的最佳途径之一。

重磅专题

往期文章

如何构造一个C＃语言的爬虫程序

业界热点: