C#特別適合於構造蜘蛛程式,這是因為它已經內建了HTTP訪問和多線程的能力,而這兩種能力對於蜘蛛程式來說都是非常關鍵的。下面是構造一個蜘蛛程式要解決的關鍵問題:
⑴ HTML分析:需要某種HTML解析器來分析蜘蛛程式遇到的每一個頁面。
⑵ 頁面處理:需要處理每一個下載得到的頁面。下載得到的內容可能要儲存到磁碟,或者進一步分析處理。
⑶ 多線程:只有擁有多線程能力,蜘蛛程式才能真正做到高效。
⑷ 確定何時完成:不要小看這個問題,確定任務是否已經完成並不簡單,尤其是在多線程環境下。
一、HTML解析
本文提供的HTML解析器由ParseHTML類實現,使用非常方便:首先建立該類的一個執行個體,然後將它的Source屬性設定為要解析的HTML文檔:
ParseHTML parse = new ParseHTML();
parse.Source = "Hello World ";
接下來就可以利用迴圈來檢查HTML文檔包含的所有文本和標記。通常,檢查過程可以從一個測試Eof方法的while迴圈開始:
while(!parse.Eof())
{
char ch = parse.Parse();
Parse方法將返回HTML文檔包含的字元--它返回的內容只包含那些非HTML標記的字元,如果遇到了HTML標記,Parse方法將返回0值,表示現在遇到了一個HTML標記。遇到一個標記之後,我們可以用GetTag()方法來處理它。
if(ch==0)
{
HTMLTag tag = parse.GetTag();
}
一般地,蜘蛛程式最重要的任務之一就是找出各個HREF屬性,這可以藉助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對象之後,通過Attribute.Value可以得到該屬性的值。
二、處理HTML頁面
下面來看看如何處理HTML頁面。首先要做的當然是下載HTML頁面,這可以通過C#提供的HttpWebRequest類實現:
HttpWebRequest request = (HttpWebRequest)WebRequest.Create(m_uri);
response = request.GetResponse();
stream = response.GetResponseStream();
接下來我們就從request建立一個stream流。在執行其他處理之前,我們要先確定該檔案是二進位檔案還是文字檔,不同的檔案類型處理方式也不同。下面的代碼確定該檔案是否為二進位檔案。
if( !response.ContentType.ToLower().StartsWith("text/") )
{
SaveBinaryFile(response);
return null;
}
string buffer = "",line;
如果該檔案不是文字檔,我們將它作為二進位檔案讀入。如果是文字檔,首先從stream建立一個StreamReader,然後將文字檔的內容一行一行加入緩衝區。
reader = new StreamReader(stream);
while( (line = reader.ReadLine())!=null )
{
buffer+=line+"\r\n";
}
裝入整個檔案之後,接著就要把它儲存為文字檔。
SaveTextFile(buffer);
下面來看看這兩類不同檔案的儲存方式。
二進位檔案的內容類型聲明不以"text/"開頭,蜘蛛程式直接把二進位檔案儲存到磁碟,不必進行額外的處理,這是因為二進位檔案不包含HTML,因此也不會再有需要蜘蛛程式處理的HTML連結。下面是寫入二進位檔案的步驟。
首先準備一個緩衝區臨時地儲存二進位檔案的內容。
byte []buffer = new byte[1024];
接下來要確定檔案儲存到本地的路徑和名稱。如果要把一個myhost.com網站的內容下載到本地的c:\test檔案夾,二進位檔案的網上路徑和名稱是http://myhost.com/images/logo.gif,則本地路徑和名稱應當是c:\test\images\logo.gif。與此同時,我們還要確保c:\test目錄下已經建立了images子目錄。這部分任務由convertFilename方法完成。
string filename = convertFilename( response.ResponseUri );
convertFilename方法分離HTTP地址,建立相應的目錄結構。確定了輸出檔案的名字和路徑之後就可以開啟讀取Web頁面的輸入資料流、寫入本地檔案的輸出資料流。
Stream outStream = File.Create( filename );
Stream inStream = response.GetResponseStream();
接下來就可以讀取Web檔案的內容並寫入到本地檔案,這可以通過一個迴圈方便地完成。
int l;
do
{
l = inStream.Read(buffer,0,
buffer.Length);
if(l>0)
outStream.Write(buffer,0,l);
}
while(l>0);
三、多線程
我們用DocumentWorker類封裝所有下載一個URL的操作。每當一個DocumentWorker的執行個體被建立,它就進入迴圈,等待下一個要處理的URL。下面是DocumentWorker的主迴圈:
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();
}
這個迴圈將一直運行,直至Quit標記被設定成了true(當使用者點擊"Cancel"按鈕時,Quit標記就被設定成true)。在迴圈之內,我們調用ObtainWork擷取一個URL。ObtainWork將一直等待,直到有一個URL可用--這要由其他線程解析文檔並尋找連結才能獲得。Done類利用WorkerBegin和WorkerEnd方法來確定何時整個下載操作已經完成。
從圖一可以看出,蜘蛛程式允許使用者自己確定要使用的線程數量。在實踐中,線程的最佳數量受許多因素影響。如果你的機器效能較高,或者有兩個處理器,可以設定較多的線程數量;反之,如果網路頻寬、機器效能有限,設定太多的線程數量其實不一定能夠提高效能。
四、任務完成了嗎?
利用多個線程同時下載檔案有效地提高了效能,但也帶來了線程管理方面的問題。其中最複雜的一個問題是:蜘蛛程式何時才算完成了工作?在這裡我們要藉助一個專用的類Done來判斷。
首先有必要說明一下"完成工作"的具體含義。只有當系統中不存在等待下載的URL,而且所有背景工作執行緒都已經結束其處理工作時,蜘蛛程式的工作才算完成。也就是說,完成工作意味著已經沒有等待下載和正在下載的URL。
Done類提供了一個WaitDone方法,它的功能是一直等待,直到Done對象檢測到蜘蛛程式已完成工作。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,直到不再有活動的線程。但必須注意的是,下載開始的最初階段也沒有任何活動的線程,所以很容易造成蜘蛛程式一開始就立即停止的現象。為解決這個問題,我們還需要另一個方法WaitBegin來等待蜘蛛程式進入"正式的"工作階段。一般的調用次序是:先調用WaitBegin,再接著調用WaitDone,WaitDone將等待蜘蛛程式完成工作。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標記被設定。m_started標記是由WorkerBegin方法設定的。背景工作執行緒在開始處理各個URL之時,會調用WorkerBegin;處理結束時調用WorkerEnd。WorkerBegin和WorkerEnd這兩個方法協助Done對象確定當前的工作狀態。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方法首先增加當前活動線程的數量,接著設定m_started標記,最後調用Pulse方法以通知(可能存在的)等待背景工作執行緒啟動的線程。如前所述,可能等待Done對象的方法是WaitBegin方法。每處理完一個URL,WorkerEnd方法會被調用:
public void WorkerEnd()
{
Monitor.Enter(this);
m_activeThreads--;
Monitor.Pulse(this);
Monitor.Exit(this);
}
WorkerEnd方法減小m_activeThreads活動執行緒計數器,調用Pulse釋放可能在等待Done對象的線程--如前所述,可能在等待Done對象的方法是WaitDone方法。