如何構造一個C#語言的爬蟲程序

C#特別適合於構造蜘蛛程序，這是因為它已經內置了HTTP訪問和多線程的能力，而這兩種能力對於蜘蛛程序來說都是非常關鍵的。下麵是構造一個蜘蛛程序要解決的關鍵問題：

　　⑴ HTML分析：需要某種HTML解析器來分析蜘蛛程序遇到的每一個頁麵。

　　⑵ 頁麵處理：需要處理每一個下載得到的頁麵。下載得到的內容可能要保存到磁盤，或者進一步分析處理。

　　⑶ 多線程：隻有擁有多線程能力，蜘蛛程序才能真正做到高效。

　　⑷ 確定何時完成：不要小看這個問題，確定任務是否已經完成並不簡單，尤其是在多線程環境下。

一、HTML解析

本文提供的HTML解析器由ParseHTML類實現，使用非常方便：首先創建該類的一個實例，然後將它的Source屬性設置為要解析的HTML文檔：

ParseHTML parse = new ParseHTML(); 　　parse.Source = "Hello World ";

接下來就可以利用循環來檢查HTML文檔包含的所有文本和標記。通常，檢查過程可以從一個測試Eof方法的while循環開始：

while(!parse.Eof()) 　　{ 　　char ch = parse.Parse();

Parse方法將返回HTML文檔包含的字符--它返回的內容隻包含那些非HTML標記的字符，如果遇到了HTML標記，Parse方法將返回0值，表示現在遇到了一個HTML標記。遇到一個標記之後，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之一就是找出各個HREF屬性，這可以借助C#的索引功能完成。例如，下麵的代碼將提取出HREF屬性的值(如果存在的話)。

Attribute href = tag["HREF"]; 　　string link = href.Value;

獲得Attribute對象之後，通過Attribute.Value可以得到該屬性的值。

二、處理HTML頁麵

下麵來看看如何處理HTML頁麵。首先要做的當然是下載HTML頁麵，這可以通過C#提供的HttpWebRequest類實現：

HttpWebRequest request = (HttpWebRequest)WebRequest.Create(m_uri); 　　response = request.GetResponse(); 　　stream = response.GetResponseStream();

接下來我們就從request創建一個stream流。在執行其他處理之前，我們要先確定該文件是二進製文件還是文本文件，不同的文件類型處理方式也不同。下麵的代碼確定該文件是否為二進製文件。

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

如果該文件不是文本文件，我們將它作為二進製文件讀入。如果是文本文件，首先從stream創建一個StreamReader，然後將文本文件的內容一行一行加入緩衝區。

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

裝入整個文件之後，接著就要把它保存為文本文件。

SaveTextFile(buffer);

下麵來看看這兩類不同文件的存儲方式。

二進製文件的內容類型聲明不以"text/"開頭，蜘蛛程序直接把二進製文件保存到磁盤，不必進行額外的處理，這是因為二進製文件不包含HTML，因此也不會再有需要蜘蛛程序處理的HTML鏈接。下麵是寫入二進製文件的步驟。

首先準備一個緩衝區臨時地保存二進製文件的內容。

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myhost.com網站的內容下載到本地的c:/test文件夾，二進製文件的網上路徑和名稱是，則本地路徑和名稱應當是c:/test/images/logo.gif。與此同時，我們還要確保c:/test目錄下已經創建了images子目錄。這部分任務由convertFilename方法完成。

string filename = convertFilename( response.ResponseUri ); 　　convertFilename方法分離HTTP地址，創建相應的目錄結構。確定了輸出文件的名字和路徑之後就可以打開讀取Web頁麵的輸入流、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文件的內容並寫入到本地文件，這可以通過一個循環方便地完成。

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

 

三、多線程

我們用DocumentWorker類封裝所有下載一個URL的操作。每當一個DocumentWorker的實例被創建，它就進入循環，等待下一個要處理的URL。下麵是DocumentWorker的主循環：

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(); 　　}

這個循環將一直運行，直至Quit標記被設置成了true(當用戶點擊"Cancel"按鈕時，Quit標記就被設置成true)。在循環之內，我們調用ObtainWork獲取一個URL。ObtainWork將一直等待，直到有一個URL可用--這要由其他線程解析文檔並尋找鏈接才能獲得。Done類利用WorkerBegin和WorkerEnd方法來確定何時整個下載操作已經完成。

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量。在實踐中，線程的最佳數量受許多因素影響。如果你的機器性能較高，或者有兩個處理器，可以設置較多的線程數量;反之，如果網絡帶寬、機器性能有限，設置太多的線程數量其實不一定能夠提高性能。

四、任務完成了嗎?

利用多個線程同時下載文件有效地提高了性能，但也帶來了線程管理方麵的問題。其中最複雜的一個問題是：蜘蛛程序何時才算完成了工作?在這裏我們要借助一個專用的類Done來判斷。

首先有必要說明一下"完成工作"的具體含義。隻有當係統中不存在等待下載的URL，而且所有工作線程都已經結束其處理工作時，蜘蛛程序的工作才算完成。也就是說，完成工作意味著已經沒有等待下載和正在下載的URL。

Done類提供了一個WaitDone方法，它的功能是一直等待，直到Done對象檢測到蜘蛛程序已完成工作。下麵是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的線程，所以很容易造成蜘蛛程序一開始就立即停止的現象。為解決這個問題，我們還需要另一個方法WaitBegin來等待蜘蛛程序進入"正式的"工作階段。一般的調用次序是：先調用WaitBegin，再接著調用WaitDone，WaitDone將等待蜘蛛程序完成工作。下麵是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標記被設置。m_started標記是由WorkerBegin方法設置的。工作線程在開始處理各個URL之時，會調用WorkerBegin;處理結束時調用WorkerEnd。WorkerBegin和WorkerEnd這兩個方法幫助Done對象確定當前的工作狀態。下麵是WorkerBegin方法的代碼：

public void WorkerBegin() 　　{ 　　Monitor.Enter(this); 　　m_activeThreads++; 　　m_started = true; 　　Monitor.Pulse(this); 　　Monitor.Exit(this); 　　}

WorkerBegin方法首先增加當前活動線程的數量，接著設置m_started標記，最後調用Pulse方法以通知(可能存在的)等待工作線程啟動的線程。如前所述，可能等待Done對象的方法是WaitBegin方法。每處理完一個URL，WorkerEnd方法會被調用：

public void WorkerEnd() 　　{ 　　Monitor.Enter(this); 　　m_activeThreads--; 　　Monitor.Pulse(this); 　　Monitor.Exit(this); 　　}

WorkerEnd方法減小m_activeThreads活動線程計數器，調用Pulse釋放可能在等待Done對象的線程--如前所述，可能在等待Done對象的方法是WaitDone方法。