如何用C#語言構造蜘蛛程式

"蜘蛛"（Spider）是Internet上一種很有用的程式，搜尋引擎利用蜘蛛程式將Web頁面收集到資料庫，企業利用蜘蛛程式監視競爭者的網站並跟蹤變動，個人使用者用蜘蛛程式下載Web頁面以便離線使用，開發人員利用蜘蛛程式掃描自己的Web檢查無效的連結……對於不同的使用者，蜘蛛程式有不同的用途。那麼，蜘蛛程式到底是怎樣工作的呢？

　　蜘蛛是一種半自動的程式，就象現實當中的蜘蛛在它的Web（蜘蛛網）上旅行一樣，蜘蛛程式也按照類似的方式在Web連結織成的網上旅行。蜘蛛程式之所以是半自動的，是因為它總是需要一個初始連結（出發點），但此後的運行情況就要由它自己決定了，蜘蛛程式會掃描起始頁麵包含的連結，然後訪問這些連結指向的頁面，再分析和追蹤那些頁麵包含的連結。從理論上看，最終蜘蛛程式會訪問到Internet上的每一個頁面，因為Internet上幾乎每一個頁面總是被其他或多或少的頁面引用。

　　本文介紹如何用C#語言構造一個蜘蛛程式，它能夠把整個網站的內容下載到某個指定的目錄，程式的運行介面一。你可以方便地利用本文提供的幾個核心類構造出自己的蜘蛛程式。
 

圖1

　　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

　　C#語言本身不包含解析HTML的能力，但支援XML解析；不過，XML有著嚴格的文法，為XML設計的解析器對HTML來說根本沒用，因為HTML的文法要寬鬆得多。為此，我們需要自己設計一個HTML解析器。本文提供的解析器是高度獨立的，你可以方便地將它用於其它用C#處理HTML的場合。

　　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 = "<p>Hello World</p>";

　　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);

　　寫入整個檔案之後，關閉輸入資料流、輸出資料流。

outStream.Close(); inStream.Close();

　　比較而言，下載文字檔更容易一些。文字檔的內容類型總是以"text/"開頭。假設檔案已被下載並儲存到了一個字串，這個字串可以用來分析網頁包含的連結，當然也可以儲存為磁碟上的檔案。下面代碼的任務就是儲存文字檔。

string filename = convertFilename( m_uri ); StreamWriter outStream = new StreamWriter( filename ); outStream.Write(buffer); outStream.Close();

　　在這裡，我們首先開啟一個檔案輸出資料流，然後將緩衝區的內容寫入流，最後關閉檔案。

　　三、多線程

　　多線程使得電腦看起來就象能夠同時執行一個以上的操作，不過，除非電腦包含多個處理器，否則，所謂的同時執行多個操作僅僅是一種類比出來的效果--靠電腦在多個線程之間快速切換達到"同時"執行多個操作的效果。一般而言，只有在兩種情況下多線程才能事實上提高程式啟動並執行速度。第一種情況是電腦擁有多個處理器，第二種情況是程式經常要等待某個外來事件。

　　對於蜘蛛程式來說，第二種情況正是它的典型特徵之一，它每發出一個URL請求，總是要等待檔案下載完畢，然後再請求下一個URL。如果蜘蛛程式能夠同時請求多個URL，顯然能夠有效地減少總下載時間。

　　為此，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。

　　結束語：本文介紹了開發Internet蜘蛛程式的基礎知識，下面提供的原始碼將協助你進一步深入理解本文的主題。這裡提供的代碼非常靈活，你可以方便地將它用於自己的程式。 源碼：http://myblog.workgroup.cn/files/folders/csharp/entry1639.aspx
龍蛛搜尋下載