"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