這篇文章主要介紹“如何用C#語言構(gòu)造蜘蛛程序”的相關(guān)知識，小編通過實際案例向大家展示操作過程，操作方法簡單快捷，實用性強，希望這篇“如何用C#語言構(gòu)造蜘蛛程序”文章能幫助大家解決問題。

武勝網(wǎng)站制作公司哪家好，找創(chuàng)新互聯(lián)公司！從網(wǎng)頁設(shè)計、網(wǎng)站建設(shè)、微信開發(fā)、APP開發(fā)、響應式網(wǎng)站建設(shè)等網(wǎng)站項目制作，到程序開發(fā)，運營維護。創(chuàng)新互聯(lián)公司2013年開創(chuàng)至今到現(xiàn)在10年的時間，我們擁有了豐富的建站經(jīng)驗和運維經(jīng)驗，來保證我們的工作的順利進行。專注于網(wǎng)站建設(shè)就選創(chuàng)新互聯(lián)公司。

"蜘蛛"（Spider）是Internet上一種很有用的程序，利用蜘蛛程序?qū)eb頁面收集到，企業(yè)利用蜘蛛程序監(jiān)視競爭對手的網(wǎng)站并跟蹤變動，個人用戶用蜘蛛程序下載Web頁面以便脫機使用，開發(fā)者利用蜘蛛程序掃描自己的Web檢查無效的鏈接……對于不同的用戶，蜘蛛程序有不同的用途。那么，蜘蛛程序到底是怎樣工作的呢？

蜘蛛是一種半自動的程序，就象現(xiàn)實當中的蜘蛛在它的Web（蜘蛛網(wǎng)）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(wǎng)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(fā)點），但此后的運行情況就要由它自己決定了，蜘蛛程序會掃描起始頁面包含的鏈接，然后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。

C#特別適合于構(gòu)造蜘蛛程序，這是因為它已經(jīng)內(nèi)置了HTTP訪問和多線程的能力，而這兩種能力對于蜘蛛程序來說都是非常關(guān)鍵的。下面是構(gòu)造一個蜘蛛程序要解決的關(guān)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(nèi)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(jīng)完成并不簡單，尤其是在多線程環(huán)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(shè)計的解析器對HTML來說根本沒用，因為HTML的語法要寬松得多。為此，我們需要自己設(shè)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于其它用C#處理HTML的場合。

本文提供的HTML解析器由ParseHTML類實現(xiàn)，使用非常方便：首先創(chuàng)建該類的一個實例，然后將它的Source屬性設(shè)置為要解析的HTML文檔：

ParseHTML parse = new ParseHTML（）;

parse.Source = "

Hello World

接下來就可以利用循環(huán)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(huán)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(nèi)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(xiàn)在遇到了一個HTML標記。遇到一個標記之后，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對象之后，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(xiàn)：

HttpWebRequest request = （HttpWebRequest）WebRequest.Create（m_uri）;

response = request.GetResponse（）;

stream = response.GetResponseStream（）;

接下來我們就從request創(chuàng)建一個stream流。在執(zhí)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(chuàng)建一個StreamReader，然后將文本文件的內(nèi)容一行一行加入緩沖區(qū)。

reader = new StreamReader（stream）;

while（ （line = reader.ReadLine（））！=null ）

{

buffer+=line+"\r\n";

}

裝入整個文件之后，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(nèi)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。

首先準備一個緩沖區(qū)臨時地保存二進制文件的內(nèi)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(wǎng)站的內(nèi)容下載到本地的c:\test文件夾，二進制文件的網(wǎng)上路徑和名稱是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(jīng)創(chuàng)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(chuàng)建相應的目錄結(jié)構(gòu)。確定了輸出文件的名字和路徑之后就可以打開讀取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(nèi)容并寫入到本地文件，這可以通過一個循環(huán)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）;

寫入整個文件之后，關(guān)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(nèi)容類型總是以"text/"開頭。假設(shè)文件已被下載并保存到了一個字符串，這個字符串可以用來分析網(wǎng)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（）;

在這里，我們首先打開一個文件輸出流，然后將緩沖區(qū)的內(nèi)容寫入流，最后關(guān)閉文件。

三、多線程

多線程使得計算機看起來就象能夠同時執(zhí)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(zhí)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(zhí)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(jīng)常要等待某個外部事件。

對于蜘蛛程序來說，第二種情況正是它的典型特征之一，它每發(fā)出一個URL請求，總是要等待文件下載完畢，然后再請求下一個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(chuàng)建，它就進入循環(huán)，等待下一個要處理的URL。下面是DocumentWorker的主循環(huán)：

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(huán)將一直運行，直至Quit標記被設(shè)置成了true（當用戶點擊"Cancel"按鈕時，Quit標記就被設(shè)置成true）。在循環(huán)之內(nèi)，我們調(diào)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并尋找鏈接才能獲得。Done類利用WorkerBegin和WorkerEnd方法來確定何時整個下載操作已經(jīng)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(shù)量。在實踐中，線程的最佳數(shù)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(shè)置較多的線程數(shù)量；反之，如果網(wǎng)絡(luò)帶寬、機器性能有限，設(shè)置太多的線程數(shù)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。其中最復雜的一個問題是：蜘蛛程序何時才算完成了工作？在這里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(tǒng)中不存在等待下載的URL，而且所有工作線程都已經(jīng)結(jié)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(jīng)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(xiàn)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(diào)用次序是：先調(diào)用WaitBegin，再接著調(diào)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(shè)置。m_started標記是由WorkerBegin方法設(shè)置的。工作線程在開始處理各個URL之時，會調(diào)用WorkerBegin；處理結(jié)束時調(diào)用WorkerEnd。WorkerBegin和WorkerEnd這兩個方法幫助Done對象確定當前的工作狀態(tài)。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(shù)量，接著設(shè)置m_started標記，最后調(diào)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(diào)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(shù)器，調(diào)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。

關(guān)于“如何用C#語言構(gòu)造蜘蛛程序”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識，可以關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，小編每天都會為大家更新不同的知識點。