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/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）。