如何构造一个C#语言的爬虫程序.pdf

如何构造一个 C#语言的爬虫程序 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。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 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。下面是构造一个蜘蛛程序要解决的关 键问题： ⑴ HTML 分析：需要某种 HTML 解析器来分析蜘蛛程序遇到的每一个页面。 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，或者进一步分析处理。 ⑶ 多线程：只有拥有多线程能力，蜘蛛程序才能真正做到高效。 ⑷ 确定何时完成：不要小看这个问题，确定任务是否已经完成并不简单，尤其是 在多线程环境下。 一、HTML 解析 本文提供的 HTML 解析器由 ParseHTML 类实现，使用非常方便：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 = pHello World/p; 接下来就可以利用循环来检查 HTML 文档包含的所有文本和标记。通常，检查过程可以 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--它返回的内容只包含那些非 HTML 标 记的字符，如果遇到了 HTML 标记，Parse 方法将返回 0 值，表示现在遇到了一个 HTML 标记。遇到一个标记之后，我们可以用 GetTag()方法来处理它。 if(ch==0) { HTMLTag tag = parse.GetTag(); } 一般地，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（如果存在的话）。 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。首先要做的当然是下载 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.ToLower().StartsWith(text/) ) { SaveBinaryFile(response); return null; } string buffer = ,line; 如果该文件不是文本文件，我们将它作为二进制文件读入。如果是文本文件，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+\r\n; } 装入整个文件之后，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