2013年9月17日 星期二

[轉貼] 用C#語言構造蜘蛛(spider)程式


"蜘蛛"(Spider)是Internet上一種很有用的程序,搜索引擎利用蜘蛛程序將Web頁面收集到數據庫,企業利用蜘蛛程序監視競爭對手的網站並跟蹤變動,個人用戶用蜘蛛程序下載Web頁面以便脫機使用,開發者利用蜘蛛程序掃瞄自己的Web檢查無效的鏈接……對於不同的用戶,蜘蛛程序有不同的用途。那麼,蜘蛛程序到底是怎樣工作的呢?
  蜘蛛是一種半自動的程序,就像現實當中的蜘蛛在它的Web(蜘蛛網)上旅行一樣,蜘蛛程序也按照類似的方式在Web鏈接織成的網上旅行。蜘蛛程序之所以是半自動的,是因為它總是需要一個初始鏈接(出發點),但此後的運行情況就要由它自己決定了,蜘蛛程序會掃瞄起始頁面包含的鏈接,然後訪問這些鏈接指向的頁面,再分析和追蹤那些頁面包含的鏈接。從理論上看,最終蜘蛛程序會訪問到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序,它能夠把整個網站的內容下載到某個指定的目錄,程序的運行界面如圖一。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序。


圖1
  C#特別適合於構造蜘蛛程序,這是因為它已經內置了HTTP訪問和多線程的能力,而這兩種能力對於蜘蛛程序來說都是非常關鍵的。下面是構造一個蜘蛛程序要解決的關鍵問題:
  ⑴ HTML分析:需要某種HTML解析器來分析蜘蛛程序遇到的每一個頁面。
  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保存到磁盤,或者進一步分析處理。
  ⑶ 多線程:只有擁有多線程能力,蜘蛛程序才能真正做到高效。
  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,但支持XML解析;不過,XML有著嚴格的語法,為XML設計的解析器對HTML來說根本沒用,因為HTML的語法要寬鬆得多。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:首先創建該類的一個實例,然後將它的Source屬性設置為要解析的HTML文檔:
ParseHTML parse = new ParseHTML(); parse.Source = "<p>Hello World</p>";
  接下來就可以利用循環來檢查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循環開始:
while(!parse.Eof()) { char ch = parse.Parse();
  Parse方法將返回HTML文檔包含的字符--它返回的內容只包含那些非HTML標記的字符,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,蜘蛛程序最重要的任務之一就是找出各個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對像之後,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創建一個stream流。在執行其他處理之前,我們要先確定該文件是二進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,我們將它作為二進制文件讀入。如果是文本文件,首先從stream創建一個StreamReader,然後將文本文件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"; }
  裝入整個文件之後,接著就要把它保存為文本文件。
SaveTextFile(buffer);
  下面來看看這兩類不同文件的存儲方式。
  二進制文件的內容類型聲明不以"text/"開頭,蜘蛛程序直接把二進制文件保存到磁盤,不必進行額外的處理,這是因為二進制文件不包含HTML,因此也不會再有需要蜘蛛程序處理的HTML鏈接。下面是寫入二進制文件的步驟。
  首先準備一個緩衝區臨時地保存二進制文件的內容。
byte []buffer = new byte[1024];
  接下來要確定文件保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文件夾,二進制文件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目錄下已經創建了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,創建相應的目錄結構。確定了輸出文件的名字和路徑之後就可以打開讀取Web頁面的輸入流、寫入本地文件的輸出流。
Stream outStream = File.Create( filename ); Stream inStream = response.GetResponseStream();
  接下來就可以讀取Web文件的內容並寫入到本地文件,這可以通過一個循環方便地完成。
int l; do { l = inStream.Read(buffer,0, buffer.Length); if(l>0) outStream.Write(buffer,0,l); } while(l>0);
  寫入整個文件之後,關閉輸入流、輸出流。
outStream.Close(); inStream.Close();
  比較而言,下載文本文件更容易一些。文本文件的內容類型總是以"text/"開頭。假設文件已被下載並保存到了一個字符串,這個字符串可以用來分析網頁包含的鏈接,當然也可以保存為磁盤上的文件。下面代碼的任務就是保存文本文件。
string filename = convertFilename( m_uri ); StreamWriter outStream = new StreamWriter( filename ); outStream.Write(buffer); outStream.Close();
  在這裡,我們首先打開一個文件輸出流,然後將緩衝區的內容寫入流,最後關閉文件。
  三、多線程
  多線程使得計算機看起來就像能夠同時執行一個以上的操作,不過,除非計算機包含多個處理器,否則,所謂的同時執行多個操作僅僅是一種模擬出來的效果--靠計算機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序運行的速度。第一種情況是計算機擁有多個處理器,第二種情況是程序經常要等待某個外部事件。
  對於蜘蛛程序來說,第二種情況正是它的典型特徵之一,它每發出一個URL請求,總是要等待文件下載完畢,然後再請求下一個URL。如果蜘蛛程序能夠同時請求多個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的實例被創建,它就進入循環,等待下一個要處理的URL。下面是DocumentWorker的主循環:
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(); }
  這個循環將一直運行,直至Quit標記被設置成了true(當用戶點擊"Cancel"按鈕時,Quit標記就被設置成true)。在循環之內,我們調用ObtainWork獲取一個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鏈接才能獲得。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,蜘蛛程序允許用戶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。如果你的機器性能較高,或者有兩個處理器,可以設置較多的線程數量;反之,如果網絡帶寬、機器性能有限,設置太多的線程數量其實不一定能夠提高性能。
  四、任務完成了嗎?
  利用多個線程同時下載文件有效地提高了性能,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:蜘蛛程序何時才算完成了工作?在這裡我們要借助一個專用的類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,而且所有工作線程都已經結束其處理工作時,蜘蛛程序的工作才算完成。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對像檢測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序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來等待蜘蛛程序進入"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標記被設置。m_started標記是由WorkerBegin方法設置的。工作線程在開始處理各個URL之時,會調用WorkerBegin;處理結束時調用WorkerEnd。WorkerBegin和WorkerEnd這兩個方法幫助Done對像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,接著設置m_started標記,最後調用Pulse方法以通知(可能存在的)等待工作線程啟動的線程。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活動線程計數器,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蜘蛛程序的基礎知識,下面提供的源代碼將幫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序。
  下載本文的代碼:webFindercode.zip


沒有留言:

張貼留言