abstract：網(wǎng)絡爬蟲在信息檢索與處理中有很大的作用，是收集網(wǎng)絡信息的重要工具。接下來就介紹一下爬蟲的簡單實現(xiàn)。爬蟲的工作流程如下爬蟲自指定的URL地址開始下載網(wǎng)絡資源，直到該地址和所有子地址的指定資源都下載完畢為止。下面開始逐步分析爬蟲的實現(xiàn)。 1. 待下載集合與已下載集合為了保存需要下載的URL，同時防止重復下載，我們需要分別用了兩個集合來存放將要下載的URL和已經(jīng)下載的URL。因為在保存URL的
網(wǎng)絡爬蟲在信息檢索與處理中有很大的作用，是收集網(wǎng)絡信息的重要工具。
接下來就介紹一下爬蟲的簡單實現(xiàn)。
爬蟲的工作流程如下
爬蟲自指定的URL地址開始下載網(wǎng)絡資源，直到該地址和所有子地址的指定資源都下載完畢為止。
下面開始逐步分析爬蟲的實現(xiàn)。
1. 待下載集合與已下載集合
為了保存需要下載的URL，同時防止重復下載，我們需要分別用了兩個集合來存放將要下載的URL和已經(jīng)下載的URL。
因為在保存URL的同時需要保存與URL相關的一些其他信息，如深度，所以這里我采用了Dictionary來存放這些URL。
具體類型是Dictionary<string, int> 其中string是Url字符串，int是該Url相對于基URL的深度。
每次開始時都檢查未下載的集合，如果已經(jīng)為空，說明已經(jīng)下載完畢；如果還有URL，那么就取出第一個URL加入到已下載的集合中，并且下載這個URL的資源。
2. HTTP請求和響應
C#已經(jīng)有封裝好的HTTP請求和響應的類HttpWebRequest和HttpWebResponse，所以實現(xiàn)起來方便不少。
為了提高下載的效率，我們可以用多個請求并發(fā)的方式同時下載多個URL的資源，一種簡單的做法是采用異步請求的方法。
控制并發(fā)的數(shù)量可以用如下方法實現(xiàn)
private void DispatchWork()
{
if (_stop) //判斷是否中止下載
{
return;
}
for (int i = 0; i < _reqCount; i++)
{
if (!_reqsBusy[i]) //判斷此編號的工作實例是否空閑
{
RequestResource(i); //讓此工作實例請求資源
}
}
}由于沒有顯式開新線程，所以用一個工作實例來表示一個邏輯工作線程
1 private bool[] _reqsBusy = null; //每個元素代表一個工作實例是否正在工作
2 private int _reqCount = 4; //工作實例的數(shù)量
每次一個工作實例完成工作，相應的_reqsBusy就設為false，并調(diào)用DispatchWork，那么DispatchWork就能給空閑的實例分配新任務了。
接下來是發(fā)送請求
private void RequestResource(int index)
{
int depth;
string url = "";
try
{
lock (_locker)
{
if (_urlsUnload.Count <= 0) //判斷是否還有未下載的URL
{
_workingSignals.FinishWorking(index); //設置工作實例的狀態(tài)為Finished
return;
}
_reqsBusy[index] = true;
_workingSignals.StartWorking(index); //設置工作狀態(tài)為Working
depth = _urlsUnload.First().Value; //取出第一個未下載的URL
url = _urlsUnload.First().Key;
_urlsLoaded.Add(url, depth); //把該URL加入到已下載里
_urlsUnload.Remove(url); //把該URL從未下載中移除
}
HttpWebRequest req = (HttpWebRequest)WebRequest.Create(url);
req.Method = _method; //請求方法
req.Accept = _accept; //接受的內(nèi)容
req.UserAgent = _userAgent; //用戶代理
RequestState rs = new RequestState(req, url, depth, index); //回調(diào)方法的參數(shù)
var result = req.BeginGetResponse(new AsyncCallback(ReceivedResource), rs); //異步請求
ThreadPool.RegisterWaitForSingleObject(result.AsyncWaitHandle, //注冊超時處理方法
TimeoutCallback, rs, _maxTime, true);
}
catch (WebException we)
{
MessageBox.Show("RequestResource " + we.Message + url + we.Status);
}
}第7行為了保證多個任務并發(fā)時的同步，加上了互斥鎖。_locker是一個Object類型的成員變量。
第9行判斷未下載集合是否為空，如果為空就把當前工作實例狀態(tài)設為Finished；如果非空則設為Working并取出一個URL開始下載。當所有工作實例都為Finished的時候，說明下載已經(jīng)完成。由于每次下載完一個URL后都調(diào)用DispatchWork，所以可能激活其他的Finished工作實例重新開始工作。
第26行的請求的額外信息在異步請求的回調(diào)方法作為參數(shù)傳入，之后還會提到。
第27行開始異步請求，這里需要傳入一個回調(diào)方法作為響應請求時的處理，同時傳入回調(diào)方法的參數(shù)。
第28行給該異步請求注冊一個超時處理方法TimeoutCallback，最大等待時間是_maxTime，且只處理一次超時，并傳入請求的額外信息作為回調(diào)方法的參數(shù)。
RequestState的定義是
class RequestState
{
private const int BUFFER_SIZE = 131072; //接收數(shù)據(jù)包的空間大小
private byte[] _data = new byte[BUFFER_SIZE]; //接收數(shù)據(jù)包的buffer
private StringBuilder _sb = new StringBuilder(); //存放所有接收到的字符
public HttpWebRequest Req { get; private set; } //請求
public string Url { get; private set; } //請求的URL
public int Depth { get; private set; } //此次請求的相對深度
public int Index { get; private set; } //工作實例的編號
public Stream ResStream { get; set; } //接收數(shù)據(jù)流
public StringBuilder Html
{
get
{
return _sb;
}
}
public byte[] Data
{
get
{
return _data;
}
}
public int BufferSize
{
get
{
return BUFFER_SIZE;
}
}
public RequestState(HttpWebRequest req, string url, int depth, int index)
{
Req = req;
Url = url;
Depth = depth;
Index = index;
}
}TimeoutCallback的定義是
private void TimeoutCallback(object state, bool timedOut)
{
if (timedOut) //判斷是否是超時
{
RequestState rs = state as RequestState;
if (rs != null)
{
rs.Req.Abort(); //撤銷請求
}
_reqsBusy[rs.Index] = false; //重置工作狀態(tài)
DispatchWork(); //分配新任務
}
}接下來就是要處理請求的響應了
private void ReceivedResource(IAsyncResult ar)
{
RequestState rs = (RequestState)ar.AsyncState; //得到請求時傳入的參數(shù)
HttpWebRequest req = rs.Req;
string url = rs.Url;
try
{
HttpWebResponse res = (HttpWebResponse)req.EndGetResponse(ar); //獲取響應
if (_stop) //判斷是否中止下載
{
res.Close();
req.Abort();
return;
}
if (res != null && res.StatusCode == HttpStatusCode.OK) //判斷是否成功獲取響應
{
Stream resStream = res.GetResponseStream(); //得到資源流
rs.ResStream = resStream;
var result = resStream.BeginRead(rs.Data, 0, rs.BufferSize, //異步請求讀取數(shù)據(jù)
new AsyncCallback(ReceivedData), rs);
}
else //響應失敗
{
res.Close();
rs.Req.Abort();
_reqsBusy[rs.Index] = false; //重置工作狀態(tài)
DispatchWork(); //分配新任務
}
}
catch (WebException we)
{
MessageBox.Show("ReceivedResource " + we.Message + url + we.Status);
}
}第19行這里采用了異步的方法來讀數(shù)據(jù)流是因為我們之前采用了異步的方式請求，不然的話不能夠正常的接收數(shù)據(jù)。
該異步讀取的方式是按包來讀取的，所以一旦接收到一個包就會調(diào)用傳入的回調(diào)方法ReceivedData，然后在該方法中處理收到的數(shù)據(jù)。
該方法同時傳入了接收數(shù)據(jù)的空間rs.Data和空間的大小rs.BufferSize。
接下來是接收數(shù)據(jù)和處理
private void ReceivedData(IAsyncResult ar)
{
RequestState rs = (RequestState)ar.AsyncState; //獲取參數(shù)
HttpWebRequest req = rs.Req;
Stream resStream = rs.ResStream;
string url = rs.Url;
int depth = rs.Depth;
string html = null;
int index = rs.Index;
int read = 0;
try
{
read = resStream.EndRead(ar); //獲得數(shù)據(jù)讀取結(jié)果
if (_stop)//判斷是否中止下載
{
rs.ResStream.Close();
req.Abort();
return;
}
if (read > 0)
{
MemoryStream ms = new MemoryStream(rs.Data, 0, read); //利用獲得的數(shù)據(jù)創(chuàng)建內(nèi)存流
StreamReader reader = new StreamReader(ms, _encoding);
string str = reader.ReadToEnd(); //讀取所有字符
rs.Html.Append(str); // 添加到之前的末尾
var result = resStream.BeginRead(rs.Data, 0, rs.BufferSize, //再次異步請求讀取數(shù)據(jù)
new AsyncCallback(ReceivedData), rs);
return;
}
html = rs.Html.ToString();
SaveContents(html, url); //保存到本地
string[] links = GetLinks(html); //獲取頁面中的鏈接
AddUrls(links, depth + 1); //過濾鏈接并添加到未下載集合中
_reqsBusy[index] = false; //重置工作狀態(tài)
DispatchWork(); //分配新任務
}
catch (WebException we)
{
MessageBox.Show("ReceivedData Web " + we.Message + url + we.Status);
}
}第14行獲得了讀取的數(shù)據(jù)大小read，如果read>0說明數(shù)據(jù)可能還沒有讀完，所以在27行繼續(xù)請求讀下一個數(shù)據(jù)包；
如果read<=0說明所有數(shù)據(jù)已經(jīng)接收完畢，這時rs.Html中存放了完整的HTML數(shù)據(jù)，就可以進行下一步的處理了。
第26行把這一次得到的字符串拼接在之前保存的字符串的后面，最后就能得到完整的HTML字符串。
然后說一下判斷所有任務完成的處理
private void StartDownload()
{
_checkTimer = new Timer(new TimerCallback(CheckFinish), null, 0, 300);
DispatchWork();
}
private void CheckFinish(object param)
{
if (_workingSignals.IsFinished()) //檢查是否所有工作實例都為Finished
{
_checkTimer.Dispose(); //停止定時器
_checkTimer = null;
if (DownloadFinish != null && _ui != null) //判斷是否注冊了完成事件
{
_ui.Dispatcher.Invoke(DownloadFinish, _index); //調(diào)用事件
}
}
}第3行創(chuàng)建了一個定時器，每過300ms調(diào)用一次CheckFinish來判斷是否完成任務。
第15行提供了一個完成任務時的事件，可以給客戶程序注冊。_index里存放了當前下載URL的個數(shù)。
該事件的定義是
public delegate void DownloadFinishHandler(int count); /// <summary> /// 全部鏈接下載分析完畢后觸發(fā) /// </summary> public event DownloadFinishHandler DownloadFinish = null; GJM :于 2016-11-16 轉(zhuǎn)載自 http://www.cnblogs.com/Jiajun/archive/2012/06/17/2552458.html 如影響作者版權問題 請聯(lián)系我 993056011@163.com