網(wǎng)絡(luò)爬蟲在信息檢索與處理中有很大的作用，是收集網(wǎng)絡(luò)信息的重要工具。
接下來就介紹一下爬蟲的簡(jiǎn)單實(shí)現(xiàn)。
爬蟲的工作流程如下
爬蟲自指定的URL地址開始下載網(wǎng)絡(luò)資源，直到該地址和所有子地址的指定資源都下載完畢為止。
下面開始逐步分析爬蟲的實(shí)現(xiàn)。
1. 待下載集合與已下載集合
為了保存需要下載的URL，同時(shí)防止重復(fù)下載，我們需要分別用了兩個(gè)集合來存放將要下載的URL和已經(jīng)下載的URL。
因?yàn)樵诒４鎁RL的同時(shí)需要保存與URL相關(guān)的一些其他信息，如深度，所以這里我采用了Dictionary來存放這些URL。
具體類型是Dictionary<string, int> 其中string是Url字符串，int是該Url相對(duì)于基URL的深度。
每次開始時(shí)都檢查未下載的集合，如果已經(jīng)為空，說明已經(jīng)下載完畢；如果還有URL，那么就取出第一個(gè)URL加入到已下載的集合中，并且下載這個(gè)URL的資源。
2. HTTP請(qǐng)求和響應(yīng)
C#已經(jīng)有封裝好的HTTP請(qǐng)求和響應(yīng)的類HttpWebRequest和HttpWebResponse，所以實(shí)現(xiàn)起來方便不少。
為了提高下載的效率，我們可以用多個(gè)請(qǐng)求并發(fā)的方式同時(shí)下載多個(gè)URL的資源，一種簡(jiǎn)單的做法是采用異步請(qǐng)求的方法。
控制并發(fā)的數(shù)量可以用如下方法實(shí)現(xiàn)
1 private void DispatchWork() 2 { 3 if (_stop) //判斷是否中止下載 4 { 5 return; 6 } 7 for (int i = 0; i < _reqCount; i++) 8 { 9 if (!_reqsBusy[i]) //判斷此編號(hào)的工作實(shí)例是否空閑10 {11 RequestResource(i); //讓此工作實(shí)例請(qǐng)求資源12 }13 }14 }由于沒有顯式開新線程，所以用一個(gè)工作實(shí)例來表示一個(gè)邏輯工作線程
1 private bool[] _reqsBusy = null; //每個(gè)元素代表一個(gè)工作實(shí)例是否正在工作2 private int _reqCount = 4; //工作實(shí)例的數(shù)量每次一個(gè)工作實(shí)例完成工作，相應(yīng)的_reqsBusy就設(shè)為false，并調(diào)用DispatchWork，那么DispatchWork就能給空閑的實(shí)例分配新任務(wù)了。
接下來是發(fā)送請(qǐng)求
1 private void RequestResource(int index) 2 { 3 int depth; 4 string url = ""; 5 try 6 { 7 lock (_locker) 8 { 9 if (_urlsUnload.Count <= 0) //判斷是否還有未下載的URL10 {11 _workingSignals.FinishWorking(index); //設(shè)置工作實(shí)例的狀態(tài)為Finished12 return;13 }14 _reqsBusy[index] = true;15 _workingSignals.StartWorking(index); //設(shè)置工作狀態(tài)為Working16 depth = _urlsUnload.First().Value; //取出第一個(gè)未下載的URL17 url = _urlsUnload.First().Key;18 _urlsLoaded.Add(url, depth); //把該URL加入到已下載里19 _urlsUnload.Remove(url); //把該URL從未下載中移除20 }21 22 HttpWebRequest req = (HttpWebRequest)WebRequest.Create(url);23 req.Method = _method; //請(qǐng)求方法24 req.Accept = _accept; //接受的內(nèi)容25 req.UserAgent = _userAgent; //用戶代理26 RequestState rs = new RequestState(req, url, depth, index); //回調(diào)方法的參數(shù)27 var result = req.BeginGetResponse(new AsyncCallback(ReceivedResource), rs); //異步請(qǐng)求28 ThreadPool.RegisterWaitForSingleObject(result.AsyncWaitHandle, //注冊(cè)超時(shí)處理方法29 TimeoutCallback, rs, _maxTime, true);30 }31 catch (WebException we)32 {33 MessageBox.Show("RequestResource " + we.Message + url + we.Status);34 }35 }
第7行為了保證多個(gè)任務(wù)并發(fā)時(shí)的同步，加上了互斥鎖。_locker是一個(gè)Object類型的成員變量。
第9行判斷未下載集合是否為空，如果為空就把當(dāng)前工作實(shí)例狀態(tài)設(shè)為Finished；如果非空則設(shè)為Working并取出一個(gè)URL開始下載。當(dāng)所有工作實(shí)例都為Finished的時(shí)候，說明下載已經(jīng)完成。由于每次下載完一個(gè)URL后都調(diào)用DispatchWork，所以可能激活其他的Finished工作實(shí)例重新開始工作。
第26行的請(qǐng)求的額外信息在異步請(qǐng)求的回調(diào)方法作為參數(shù)傳入，之后還會(huì)提到。
第27行開始異步請(qǐng)求，這里需要傳入一個(gè)回調(diào)方法作為響應(yīng)請(qǐng)求時(shí)的處理，同時(shí)傳入回調(diào)方法的參數(shù)。
第28行給該異步請(qǐng)求注冊(cè)一個(gè)超時(shí)處理方法TimeoutCallback，最大等待時(shí)間是_maxTime，且只處理一次超時(shí)，并傳入請(qǐng)求的額外信息作為回調(diào)方法的參數(shù)。
RequestState的定義是
1 class RequestState 2 { 3 private const int BUFFER_SIZE = 131072; //接收數(shù)據(jù)包的空間大小 4 private byte[] _data = new byte[BUFFER_SIZE]; //接收數(shù)據(jù)包的buffer 5 private StringBuilder _sb = new StringBuilder(); //存放所有接收到的字符 6 7 public HttpWebRequest Req { get; private set; } //請(qǐng)求 8 public string Url { get; private set; } //請(qǐng)求的URL 9 public int Depth { get; private set; } //此次請(qǐng)求的相對(duì)深度10 public int Index { get; private set; } //工作實(shí)例的編號(hào)11 public Stream ResStream { get; set; } //接收數(shù)據(jù)流12 public StringBuilder Html13 {14 get15 {16 return _sb;17 }18 }19 20 public byte[] Data21 {22 get23 {24 return _data;25 }26 }27 28 public int BufferSize29 {30 get31 {32 return BUFFER_SIZE;33 }34 }35 36 public RequestState(HttpWebRequest req, string url, int depth, int index)37 {38 Req = req;39 Url = url;40 Depth = depth;41 Index = index;42 }43 }
TimeoutCallback的定義是
1 private void TimeoutCallback(object state, bool timedOut) 2 { 3 if (timedOut) //判斷是否是超時(shí) 4 { 5 RequestState rs = state as RequestState; 6 if (rs != null) 7 { 8 rs.Req.Abort(); //撤銷請(qǐng)求 9 }10 _reqsBusy[rs.Index] = false; //重置工作狀態(tài)11 DispatchWork(); //分配新任務(wù)12 }13 }
接下來就是要處理請(qǐng)求的響應(yīng)了
1 private void ReceivedResource(IAsyncResult ar) 2 { 3 RequestState rs = (RequestState)ar.AsyncState; //得到請(qǐng)求時(shí)傳入的參數(shù) 4 HttpWebRequest req = rs.Req; 5 string url = rs.Url; 6 try 7 { 8 HttpWebResponse res = (HttpWebResponse)req.EndGetResponse(ar); //獲取響應(yīng) 9 if (_stop) //判斷是否中止下載10 {11 res.Close();12 req.Abort();13 return;14 }15 if (res != null && res.StatusCode == HttpStatusCode.OK) //判斷是否成功獲取響應(yīng)16 {17 Stream resStream = res.GetResponseStream(); //得到資源流18 rs.ResStream = resStream;19 var result = resStream.BeginRead(rs.Data, 0, rs.BufferSize, //異步請(qǐng)求讀取數(shù)據(jù)20 new AsyncCallback(ReceivedData), rs);21 }22 else //響應(yīng)失敗23 {24 res.Close();25 rs.Req.Abort();26 _reqsBusy[rs.Index] = false; //重置工作狀態(tài)27 DispatchWork(); //分配新任務(wù)28 }29 }30 catch (WebException we)31 {32 MessageBox.Show("ReceivedResource " + we.Message + url + we.Status);33 }34 } 第19行這里采用了異步的方法來讀數(shù)據(jù)流是因?yàn)槲覀冎安捎昧水惒降姆绞秸?qǐng)求，不然的話不能夠正常的接收數(shù)據(jù)。
該異步讀取的方式是按包來讀取的，所以一旦接收到一個(gè)包就會(huì)調(diào)用傳入的回調(diào)方法ReceivedData，然后在該方法中處理收到的數(shù)據(jù)。
該方法同時(shí)傳入了接收數(shù)據(jù)的空間rs.Data和空間的大小rs.BufferSize。
接下來是接收數(shù)據(jù)和處理
1 private void ReceivedData(IAsyncResult ar) 2 { 3 RequestState rs = (RequestState)ar.AsyncState; //獲取參數(shù) 4 HttpWebRequest req = rs.Req; 5 Stream resStream = rs.ResStream; 6 string url = rs.Url; 7 int depth = rs.Depth; 8 string html = null; 9 int index = rs.Index;10 int read = 0;11 12 try13 {14 read = resStream.EndRead(ar); //獲得數(shù)據(jù)讀取結(jié)果15 if (_stop)//判斷是否中止下載16 {17 rs.ResStream.Close();18 req.Abort();19 return;20 }21 if (read > 0)22 {23 MemoryStream ms = new MemoryStream(rs.Data, 0, read); //利用獲得的數(shù)據(jù)創(chuàng)建內(nèi)存流24 StreamReader reader = new StreamReader(ms, _encoding);25 string str = reader.ReadToEnd(); //讀取所有字符26 rs.Html.Append(str); // 添加到之前的末尾27 var result = resStream.BeginRead(rs.Data, 0, rs.BufferSize, //再次異步請(qǐng)求讀取數(shù)據(jù)28 new AsyncCallback(ReceivedData), rs);29 return;30 }31 html = rs.Html.ToString();32 SaveContents(html, url); //保存到本地33 string[] links = GetLinks(html); //獲取頁面中的鏈接34 AddUrls(links, depth + 1); //過濾鏈接并添加到未下載集合中35 36 _reqsBusy[index] = false; //重置工作狀態(tài)37 DispatchWork(); //分配新任務(wù)38 }39 catch (WebException we)40 {41 MessageBox.Show("ReceivedData Web " + we.Message + url + we.Status);42 }43 } 第14行獲得了讀取的數(shù)據(jù)大小read，如果read>0說明數(shù)據(jù)可能還沒有讀完，所以在27行繼續(xù)請(qǐng)求讀下一個(gè)數(shù)據(jù)包；
如果read<=0說明所有數(shù)據(jù)已經(jīng)接收完畢，這時(shí)rs.Html中存放了完整的HTML數(shù)據(jù)，就可以進(jìn)行下一步的處理了。
第26行把這一次得到的字符串拼接在之前保存的字符串的后面，最后就能得到完整的HTML字符串。
然后說一下判斷所有任務(wù)完成的處理
1 private void StartDownload() 2 { 3 _checkTimer = new Timer(new TimerCallback(CheckFinish), null, 0, 300); 4 DispatchWork(); 5 } 6 7 private void CheckFinish(object param) 8 { 9 if (_workingSignals.IsFinished()) //檢查是否所有工作實(shí)例都為Finished10 {11 _checkTimer.Dispose(); //停止定時(shí)器12 _checkTimer = null;13 if (DownloadFinish != null && _ui != null) //判斷是否注冊(cè)了完成事件14 {15 _ui.Dispatcher.Invoke(DownloadFinish, _index); //調(diào)用事件16 }17 }18 }
第3行創(chuàng)建了一個(gè)定時(shí)器，每過300ms調(diào)用一次CheckFinish來判斷是否完成任務(wù)。
第15行提供了一個(gè)完成任務(wù)時(shí)的事件，可以給客戶程序注冊(cè)。_index里存放了當(dāng)前下載URL的個(gè)數(shù)。
該事件的定義是
1 public delegate void DownloadFinishHandler(int count);2 3 /// <summary>4 /// 全部鏈接下載分析完畢后觸發(fā)5 /// </summary>6 public event DownloadFinishHandler DownloadFinish = null;
聯(lián)系客服
