|
|
|
---|---|---
|
" 蜘蛛 " （ Spider ）是 Internet 上一种很有用的程序，搜索引擎利用蜘蛛程序将 Web 页面收集到数据库，企业利用蜘蛛程序监视竞争对手的网站并跟踪变动，个人用户用蜘蛛程序下载 Web 页面以便脱机使用，开发者利用蜘蛛程序扫描自己的 Web 检查无效的链接 …… 对于不同的用户，蜘蛛程序有不同的用途。那么，蜘蛛程序到底是怎样工作的呢？
蜘蛛是一种半自动的程序，就象现实当中的蜘蛛在它的 Web （蜘蛛网）上旅行一样，蜘蛛程序也按照类似的方式在 Web 链接织成的网上旅行。蜘蛛程序之所以是半自动的，是因为它总是需要一个初始链接（出发点），但此后的运行情况就要由它自己决定了，蜘蛛程序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，最终蜘蛛程序会访问到 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序，它能够把整个网站的内容下载到某个指定的目录，程序的运行界面如图一。你可以方便地利用本文提供的几个核心类构造出自己的蜘蛛程序。
图 1
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 **
C# 语言本身不包含解析 HTML 的能力，但支持 XML 解析；不过， 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独立的，你可以方便地将它用于其它用 C# 处理 HTML 的场合。
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 = "
1<p>Hello 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。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。
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。
int l;
do
{
l = inStream.Read(buffer,0,
buffer.Length);
if(l>0)
outStream.Write(buffer,0,l);
} while(l>0);
写入整个文件之后，关闭输入流、输出流。
outStream.Close();
inStream.Close();
比较而言，下载文本文件更容易一些。文本文件的内容类型总是以 "text/" 开头。假设文件已被下载并保存到了一个字符串，这个字符串可以用来分析网页包含的链接，当然也可以保存为磁盘上的文件。下面代码的任务就是保存文本文件。
string filename = convertFilename( m_uri );
StreamWriter outStream = new StreamWriter( filename );
outStream.Write(buffer);
outStream.Close();
在这里，我们首先打开一个文件输出流，然后将缓冲区的内容写入流，最后关闭文件。
三、多线程
多线程使得计算机看起来就象能够同时执行一个以上的操作，不过，除非计算机包含多个处理器，否则，所谓的同时执行多个操作仅仅是一种模拟出来的效果 -- 靠计算机在多个线程之间快速切换达到 " 同时 " 执行多个操作的效果。一般而言，只有在两种情况下多线程才能事实上提高程序运行的速度。第一种情况是计算机拥有多个处理器，第二种情况是程序经常要等待某个外部事件。
对于蜘蛛程序来说，第二种情况正是它的典型特征之一，它每发出一个 URL 请求，总是要等待文件下载完毕，然后再请求下一个 URL 。如果蜘蛛程序能够同时请求多个 URL ，显然能够有效地减少总下载时间。
为此，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：
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();