咨詢電話:023-6276-4481
熱門(mén)文章
電 話:023-6276-4481
郵箱:broiling@qq.com
地址:重慶市南岸區(qū)亞太商谷6幢25-2
"蜘蛛"(Spider)是Internet上一種很有用的程序,搜索引擎利用蜘蛛程序?qū)eb頁(yè)面收集到數(shù)據(jù)庫(kù),企業(yè)利用蜘蛛程序監(jiān)視競(jìng)爭(zhēng)對(duì)手的網(wǎng)站并跟蹤變動(dòng),個(gè)人用戶用蜘蛛程序下載Web頁(yè)面以便脫機(jī)使用,開(kāi)發(fā)者利用蜘蛛程序掃描自己的Web檢查無(wú)效的鏈接……對(duì)于不同的用戶,蜘蛛程序有不同的用途。那么,蜘蛛程序到底是怎樣工作的呢?
蜘蛛是一種半自動(dòng)的程序,就象現(xiàn)實(shí)當(dāng)中的蜘蛛在它的Web(蜘蛛網(wǎng))上旅行一樣,蜘蛛程序也按照類似的方式在Web鏈接織成的網(wǎng)上旅行。蜘蛛程序之所以是半自動(dòng)的,是因?yàn)樗偸切枰粋€(gè)初始鏈接(出發(fā)點(diǎn)),但此后的運(yùn)行情況就要由它自己決定了,蜘蛛程序會(huì)掃描起始頁(yè)面包含的鏈接,然后訪問(wèn)這些鏈接指向的頁(yè)面,再分析和追蹤那些頁(yè)面包含的鏈接。從理論上看,最終蜘蛛程序會(huì)訪問(wèn)到Internet上的每一個(gè)頁(yè)面,因?yàn)镮nternet上幾乎每一個(gè)頁(yè)面總是被其他或多或少的頁(yè)面引用。
本文介紹如何用C#語(yǔ)言構(gòu)造一個(gè)蜘蛛程序,它能夠把整個(gè)網(wǎng)站的內(nèi)容下載到某個(gè)指定的目錄,程序的運(yùn)行界面如圖一。你可以方便地利用本文提供的幾個(gè)核心類構(gòu)造出自己的蜘蛛程序。
圖1
C#特別適合于構(gòu)造蜘蛛程序,這是因?yàn)樗呀?jīng)內(nèi)置了HTTP訪問(wèn)和多線程的能力,而這兩種能力對(duì)于蜘蛛程序來(lái)說(shuō)都是非常關(guān)鍵的。下面是構(gòu)造一個(gè)蜘蛛程序要解決的關(guān)鍵問(wèn)題:
⑴ HTML分析:需要某種HTML解析器來(lái)分析蜘蛛程序遇到的每一個(gè)頁(yè)面。
?、?頁(yè)面處理:需要處理每一個(gè)下載得到的頁(yè)面。下載得到的內(nèi)容可能要保存到磁盤(pán),或者進(jìn)一步分析處理。
⑶ 多線程:只有擁有多線程能力,蜘蛛程序才能真正做到高效。
?、?確定何時(shí)完成:不要小看這個(gè)問(wèn)題,確定任務(wù)是否已經(jīng)完成并不簡(jiǎn)單,尤其是在多線程環(huán)境下。
一、HTML解析
C#語(yǔ)言本身不包含解析HTML的能力,但支持XML解析;不過(guò),XML有著嚴(yán)格的語(yǔ)法,為XML設(shè)計(jì)的解析器對(duì)HTML來(lái)說(shuō)根本沒(méi)用,因?yàn)镠TML的語(yǔ)法要寬松得多。為此,我們需要自己設(shè)計(jì)一個(gè)HTML解析器。本文提供的解析器是高度獨(dú)立的,你可以方便地將它用于其它用C#處理HTML的場(chǎng)合。
本文提供的HTML解析器由ParseHTML類實(shí)現(xiàn),使用非常方便:首先創(chuàng)建該類的一個(gè)實(shí)例,然后將它的Source屬性設(shè)置為要解析的HTML文檔:
ParseHTML parse = new ParseHTML(); parse.Source = "<p>Hello World</p>"; |
接下來(lái)就可以利用循環(huán)來(lái)檢查HTML文檔包含的所有文本和標(biāo)記。通常,檢查過(guò)程可以從一個(gè)測(cè)試Eof方法的while循環(huán)開(kāi)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(nèi)容只包含那些非HTML標(biāo)記的字符,如果遇到了HTML標(biāo)記,Parse方法將返回0值,表示現(xiàn)在遇到了一個(gè)HTML標(biāo)記。遇到一個(gè)標(biāo)記之后,我們可以用GetTag()方法來(lái)處理它。
if(ch==0) { HTMLTag tag = parse.GetTag(); } |
一般地,蜘蛛程序最重要的任務(wù)之一就是找出各個(gè)HREF屬性,這可以借助C#的索引功能完成。例如,下面的代碼將提取出HREF屬性的值(如果存在的話)。
Attribute href = tag["HREF"]; string link = href.Value; |
獲得Attribute對(duì)象之后,通過(guò)Attribute.Value可以得到該屬性的值。
二、處理HTML頁(yè)面
下面來(lái)看看如何處理HTML頁(yè)面。首先要做的當(dāng)然是下載HTML頁(yè)面,這可以通過(guò)C#提供的HttpWebRequest類實(shí)現(xiàn):
HttpWebRequest request = (HttpWebRequest)WebRequest.Create(m_uri); response = request.GetResponse(); stream = response.GetResponseStream(); |
接下來(lái)我們就從request創(chuàng)建一個(gè)stream流。在執(zhí)行其他處理之前,我們要先確定該文件是二進(jìn)制文件還是文本文件,不同的文件類型處理方式也不同。下面的代碼確定該文件是否為二進(jìn)制文件。
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(jìn)制文件讀入。如果是文本文件,首先從stream創(chuàng)建一個(gè)StreamReader,然后將文本文件的內(nèi)容一行一行加入緩沖區(qū)。
reader = new StreamReader(stream); while( (line = reader.ReadLine())!=null ) { buffer+=line+"\r\n"; } |
裝入整個(gè)文件之后,接著就要把它保存為文本文件。
SaveTextFile(buffer); |
下面來(lái)看看這兩類不同文件的存儲(chǔ)方式。
二進(jìn)制文件的內(nèi)容類型聲明不以"text/"開(kāi)頭,蜘蛛程序直接把二進(jìn)制文件保存到磁盤(pán),不必進(jìn)行額外的處理,這是因?yàn)槎M(jìn)制文件不包含HTML,因此也不會(huì)再有需要蜘蛛程序處理的HTML鏈接。下面是寫(xiě)入二進(jìn)制文件的步驟。
首先準(zhǔn)備一個(gè)緩沖區(qū)臨時(shí)地保存二進(jìn)制文件的內(nèi)容。
byte []buffer = new byte[1024]; |
接下來(lái)要確定文件保存到本地的路徑和名稱。如果要把一個(gè)myhost.com網(wǎng)站的內(nèi)容下載到本地的c:\test文件夾,二進(jìn)制文件的網(wǎng)上路徑和名稱是http://myhost.com/images/logo.gif,則本地路徑和名稱應(yīng)當(dāng)是c:\test\images\logo.gif。與此同時(shí),我們還要確保c:\test目錄下已經(jīng)創(chuàng)建了images子目錄。這部分任務(wù)由convertFilename方法完成。
string filename = convertFilename( response.ResponseUri ); |
convertFilename方法分離HTTP地址,創(chuàng)建相應(yīng)的目錄結(jié)構(gòu)。確定了輸出文件的名字和路徑之后就可以打開(kāi)讀取Web頁(yè)面的輸入流、寫(xiě)入本地文件的輸出流。
Stream outStream = File.Create( filename ); Stream inStream = response.GetResponseStream(); |
接下來(lái)就可以讀取Web文件的內(nèi)容并寫(xiě)入到本地文件,這可以通過(guò)一個(gè)循環(huán)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); |
寫(xiě)入整個(gè)文件之后,關(guān)閉輸入流、輸出流。
outStream.Close(); inStream.Close(); |
比較而言,下載文本文件更容易一些。文本文件的內(nèi)容類型總是以"text/"開(kāi)頭。假設(shè)文件已被下載并保存到了一個(gè)字符串,這個(gè)字符串可以用來(lái)分析網(wǎng)頁(yè)包含的鏈接,當(dāng)然也可以保存為磁盤(pán)上的文件。下面代碼的任務(wù)就是保存文本文件。
string filename = convertFilename( m_uri ); StreamWriter outStream = new StreamWriter( filename ); outStream.Write(buffer); outStream.Close(); |
在這里,我們首先打開(kāi)一個(gè)文件輸出流,然后將緩沖區(qū)的內(nèi)容寫(xiě)入流,最后關(guān)閉文件。
三、多線程
多線程使得計(jì)算機(jī)看起來(lái)就象能夠同時(shí)執(zhí)行一個(gè)以上的操作,不過(guò),除非計(jì)算機(jī)包含多個(gè)處理器,否則,所謂的同時(shí)執(zhí)行多個(gè)操作僅僅是一種模擬出來(lái)的效果--靠計(jì)算機(jī)在多個(gè)線程之間快速切換達(dá)到"同時(shí)"執(zhí)行多個(gè)操作的效果。一般而言,只有在兩種情況下多線程才能事實(shí)上提高程序運(yùn)行的速度。第一種情況是計(jì)算機(jī)擁有多個(gè)處理器,第二種情況是程序經(jīng)常要等待某個(gè)外部事件。
對(duì)于蜘蛛程序來(lái)說(shuō),第二種情況正是它的典型特征之一,它每發(fā)出一個(gè)URL請(qǐng)求,總是要等待文件下載完畢,然后再請(qǐng)求下一個(gè)URL。如果蜘蛛程序能夠同時(shí)請(qǐng)求多個(gè)URL,顯然能夠有效地減少總下載時(shí)間。
為此,我們用DocumentWorker類封裝所有下載一個(gè)URL的操作。每當(dāng)一個(gè)DocumentWorker的實(shí)例被創(chuàng)建,它就進(jìn)入循環(huán),等待下一個(gè)要處理的URL。下面是DocumentWorker的主循環(huán):
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(gè)循環(huán)將一直運(yùn)行,直至Quit標(biāo)記被設(shè)置成了true(當(dāng)用戶點(diǎn)擊"Cancel"按鈕時(shí),Quit標(biāo)記就被設(shè)置成true)。在循環(huán)之內(nèi),我們調(diào)用ObtainWork獲取一個(gè)URL。ObtainWork將一直等待,直到有一個(gè)URL可用--這要由其他線程解析文檔并尋找鏈接才能獲得。Done類利用WorkerBegin和WorkerEnd方法來(lái)確定何時(shí)整個(gè)下載操作已經(jīng)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(shù)量。在實(shí)踐中,線程的最佳數(shù)量受許多因素影響。如果你的機(jī)器性能較高,或者有兩個(gè)處理器,可以設(shè)置較多的線程數(shù)量;反之,如果網(wǎng)絡(luò)帶寬、機(jī)器性能有限,設(shè)置太多的線程數(shù)量其實(shí)不一定能夠提高性能。
四、任務(wù)完成了嗎?
利用多個(gè)線程同時(shí)下載文件有效地提高了性能,但也帶來(lái)了線程管理方面的問(wèn)題。其中最復(fù)雜的一個(gè)問(wèn)題是:蜘蛛程序何時(shí)才算完成了工作?在這里我們要借助一個(gè)專用的類Done來(lái)判斷。
首先有必要說(shuō)明一下"完成工作"的具體含義。只有當(dāng)系統(tǒng)中不存在等待下載的URL,而且所有工作線程都已經(jīng)結(jié)束其處理工作時(shí),蜘蛛程序的工作才算完成。也就是說(shuō),完成工作意味著已經(jīng)沒(méi)有等待下載和正在下載的URL。
Done類提供了一個(gè)WaitDone方法,它的功能是一直等待,直到Done對(duì)象檢測(cè)到蜘蛛程序已完成工作。下面是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(dòng)的線程。但必須注意的是,下載開(kāi)始的最初階段也沒(méi)有任何活動(dòng)的線程,所以很容易造成蜘蛛程序一開(kāi)始就立即停止的現(xiàn)象。為解決這個(gè)問(wèn)題,我們還需要另一個(gè)方法WaitBegin來(lái)等待蜘蛛程序進(jìn)入"正式的"工作階段。一般的調(diào)用次序是:先調(diào)用WaitBegin,再接著調(diào)用WaitDone,WaitDone將等待蜘蛛程序完成工作。下面是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(biāo)記被設(shè)置。m_started標(biāo)記是由WorkerBegin方法設(shè)置的。工作線程在開(kāi)始處理各個(gè)URL之時(shí),會(huì)調(diào)用WorkerBegin;處理結(jié)束時(shí)調(diào)用WorkerEnd。WorkerBegin和WorkerEnd這兩個(gè)方法幫助Done對(duì)象確定當(dāng)前的工作狀態(tài)。下面是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(dāng)前活動(dòng)線程的數(shù)量,接著設(shè)置m_started標(biāo)記,最后調(diào)用Pulse方法以通知(可能存在的)等待工作線程啟動(dòng)的線程。如前所述,可能等待Done對(duì)象的方法是WaitBegin方法。每處理完一個(gè)URL,WorkerEnd方法會(huì)被調(diào)用:
public void WorkerEnd() { Monitor.Enter(this); m_activeThreads--; Monitor.Pulse(this); Monitor.Exit(this); } |
WorkerEnd方法減小m_activeThreads活動(dòng)線程計(jì)數(shù)器,調(diào)用Pulse釋放可能在等待Done對(duì)象的線程--如前所述,可能在等待Done對(duì)象的方法是WaitDone方法。