CNET语言的爬虫程序.docVIP

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。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步骤。 ?? ??　　首先准备一个缓冲区临时地保存二进制文件的内容。 byte []buffer = new byte[1024]; ?? ?? ?? ??　　接下来要确定文件保存到本地的路径和名称