爬虫/蜘蛛程序的制作C#语言

转载 2007年09月11日 18:28:00

问题是对某一网站或所有网站进行抓取,即下载所有网页。怎么实现呢?

先将问题最小化(转化的思想,转化为小规模,可以解决的问题):如果只有一个网页,怎么下载?问题变地很简单,只要用WebClient/WebRequest(甚至OpenFileDialog都可以)打开Url地址,将数据流存入本地存储器的文件(以相应的扩展名作为扩展名)即可。示例代码如下:

string BoardStream;//下载内容存入此变量

Uri url = new Uri( http://www.163.com );//将下载地址转换为Uri类型

HttpWebRequest requestPage = ( HttpWebRequest )WebRequest.Create( url );

WebResponse response = requestMainPage.GetResponse();

Stream stream = response.GetResponseStream();//获取页面流

if( response.ContentType.ToLower().StartsWith( "text/" ) )//如果获得成功(即为文本格式)

{

    StreamReader reader = new StreamReader( stream , System.Text.Encoding.UTF8 );//读取获得内容流

BoardStream = reader.ReadToEnd();//将内容流转换为文本并存入变量BoardStream,即为所需要的数据流

}

StreamWriter saveAPage = new StreamWriter( C:/a.html , false , System.Text.Encoding.GetEncoding( "gb2312" ) );//实例化写入类,保存路径假设为C:/a.html

saveAPage.Write(Rich.Text);//创建写入任务

saveAPage.Flush();//写入文件(即清理缓存流)

saveAPage.Close();//关闭写入类的对象

好了,这样便完成了一个网页的下载。最简化问题解决!

 

好了,下面的问题是,如何获得更多的网页?可以分两步:

1.    得到更多的地址

2.    下载地址指向的链接内容(和上面下载一页的方法一样)

循环进行上面两步即可以完成蜘蛛的全部功能了 ^_^

要得到更多的地址,最好的办法是模拟人使用网页的办法。我们平时怎么浏览整个网站?无非是从主页依次点开各层链接而已。好了,思路出来了:

分析已经下载的主页文本,提取其中所有的Url地址信息,再依次下载得到的Url地址指向的链接即可。

现在网络上有不少Web2.0的网站了,这对解析Url地址有不小的负面作用。在Web2.0出现前,所有的链接都是在HREF后面出现的,而现在却没有了这样的关键字,地址可能出现于任何的关键字之后。怎么办呢?

经过大量分析,笔者发现:其实现在所有的链接还有一个共性,即都包裹在双引号(””)当中,这便对解析提供了极大的方便。笔者将链接分为两类:

1.    完整链接,即:http://www.163.com类,其前面有明显的标志http://,这样的内容很好提取,只要用String的静态方法IndexOf()找出http://的位置以及从此位置算起第一个“”出现的位置(即链接结束的位置),再用SubString()方法将地址提取出来即可。

2.    非完整链接,其形式一般为/index.htm,提取方法和完整链接的方法相同,只是判断它是不是链接上有一定难度(因为属性等其它信息也可能以“/”开头,这时就很难判断了。笔者采取的方法是试下载,即下载一下试试,如果超时刚不是,不超时刚是。注意:要在它的前面加上根地址,如“http://www.163.com/index.htm”。

 

好了,我想蜘蛛的所有功能已经实现了吧?嘿嘿^_^

只是这样一个蜘蛛程序怕是效率万般低下,因为它只有一个线程,光解析下一层的链接都要花上不少时间,怎么办呢?当然是采取更优化的办法:多线程

 

具体实现见《蜘蛛/爬虫程序的多线程控制》一文(稍后在本Blog推出)。

 

相关文章推荐

爬虫/蜘蛛程序的制作(C#语言)

问题是对某一网站或所有网站进行抓取,即下载所有网页。怎么实现呢? 先将问题最小化(转化的思想,转化为小规模,可以解决的问题):如果只有一个网页,怎么下载?问题变地很简单,只要用WebClient/W...

C#语言实现网站爬虫蜘蛛程序

C#语言实现网站爬虫蜘蛛程序 问题是对某一网站或所有网站进行抓取,即下载所有网页。怎么实现呢? 先将问题最小化(转化的思想,转化为小规模,可以解决的问题):如果只有一个网页,怎么下载?问题变...

如何用C#语言构造蜘蛛程序

"蜘蛛"(Spider)是Internet上一种很有用的程序,搜索引擎利用蜘蛛程序将Web页面收集到数据库,企业利用蜘蛛程序监视竞争对手的网站并跟踪变动,个人用户用蜘蛛程序下载Web页面以便脱机使用,...

用c#写的一个简单的蜘蛛程序

  • 2010年05月01日 22:38
  • 9KB
  • 下载

C#写的网络蜘蛛程序

  • 2008年05月20日 14:41
  • 1.23MB
  • 下载

搜索引擎蜘蛛程序

搜索引擎蜘蛛程序[ 来源: 未知 | 作者: 平文胜 | 阅读次数: 9180 | 我要投稿]   robots.txt和Robots META标签我们知道,搜索引擎都有自己的“搜索机器人”(ROBO...

用C语言构造蜘蛛程序

  • 2008年12月05日 17:18
  • 56KB
  • 下载

一个蜘蛛程序(C#)

  • 2008年04月07日 23:29
  • 28KB
  • 下载

【转】搜索引擎/网络蜘蛛程序源代码

国外开发的相关程序1、Nutch官方网站 http://www.nutch.org/中文站点 http://www.nutchchina.com/最新版本:Nutch 0.7.2 ReleasedNu...

Java正则表达式学习笔记,分离网页邮件地址的蜘蛛程序

1.  用途 正则表达式使用单个字符串来描述、匹配一系列符合某个句法规则的字符串。在很多文本编辑器里,正则表达式通常被用来检索、替换那些符合某个模式的文本。 2.  使用Pattern和M...
  • MyTroy
  • MyTroy
  • 2014年08月06日 14:36
  • 871
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:爬虫/蜘蛛程序的制作C#语言
举报原因:
原因补充:

(最多只允许输入30个字)