如何構造一個C#語言的爬蟲程式

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。