C#特别适合于构造蜘蛛程序,这是因为它已经内置了HTTP访问和多线程的能力,而这两种能力对于蜘蛛程序来说都是非常关键的。下面是构造一个蜘蛛程序要解决的关键问题: <?xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" />
⑴ HTML分析:需要某种HTML解析器来分析蜘蛛程序遇到的每一个页面。
⑵ 页面处理:需要处理每一个下载得到的页面。下载得到的内容可能要保存到磁盘,或者进一步分析处理。
⑶ 多线程:只有拥有多线程能力,蜘蛛程序才能真正做到高效。
⑷ 确定何时完成:不要小看这个问题,确定任务是否已经完成并不简单,尤其是在多线程环境下。
一、HTML解析
本文提供的HTML解析器由ParseHTML类实现,使用非常方便:首先创建该类的一个实例,然后将它的Source属性设置为要解析的HTML文档:
ParseHTML parse = new ParseHTML();
parse.Source = "
Hello World
";
接下来就可以利用循环来检查HTML文档包含的所有文本和标记。通常,检查过程可以从一个测试Eof方法的while循环开始:
- while(!parse.Eof())
- {
- char ch = parse.Parse();
- }
- if(ch==0)
- {
- HTMLTag tag = parse.GetTag();
- }
Attribute href = tag["HREF"];
string link = href.Value;
获得Attribute对象之后,通过Attribute.Value可以得到该属性的值。
二、处理HTML页面
下面来看看如何处理HTML页面。首先要做的当然是下载HTML页面,这可以通过C#提供的HttpWebRequest类实现:
HttpWebRequest request = (HttpWebRequest)WebRequest.Create(m_uri);
response = request.GetResponse();
stream = response.GetResponseStream();
接下来我们就从request创建一个stream流。在执行其他处理之前,我们要先确定该文件是二进制文件还是文本文件,不同的文件类型处理方式也不同。下面的代码确定该文件是否为二进制文件。
- if( !response.ContentType.ToLower().StartsWith("text/") )
- {
- SaveBinaryFile(response);
- return null;
- }
- string buffer = "",line;
- reader = new StreamReader(stream);
- while( (line = reader.ReadLine())!=null )
- {
- buffer+=line+"rn";
- }
SaveTextFile(buffer);
下面来看看这两类不同文件的存储方式。
二进制文件的内容类型声明不以"text/"开头,蜘蛛程序直接把二进制文件保存到磁盘,不必进行额外的处理,这是因为二进制文件不包含HTML,因此也不会再有需要蜘蛛程序处理的HTML链接。下面是写入二进制文件的步骤。
首先准备一个缓冲区临时地保存二进制文件的内容。 byte []buffer = new byte[1024];
接下来要确定文件保存到本地的路径和名称。如果要把一个myhost.com网站的内容下载到本地的c:test文件夹,二进制文件的网上路径和名称是http://dotnet.chinaitlab.com/UploadFiles_6597/200809/20080<?xml:namespace prefix = st1 ns = "Tencent" />922105800148.gif。与此同时,我们还要确保c:test目录下已经创建了images子目录。这部分任务由convertFilename方法完成。
string filename = convertFilename( response.ResponseUri );
convertFilename方法分离HTTP地址,创建相应的目录结构。确定了输出文件的名字和路径之后就可以打开读取Web页面的输入流、写入本地文件的输出流。
Stream outStream = File.Create( filename );
Stream inStream = response.GetResponseStream();
接下来就可以读取Web文件的内容并写入到本地文件,这可以通过一个循环方便地完成。
- int l;
- do
- {
- l = inStream.Read(buffer,0,
- buffer.Length);
- if(l>0)
- outStream.Write(buffer,0,l);
- } while(l>0);
我们用DocumentWorker类封装所有下载一个URL的操作。每当一个DocumentWorker的实例被创建,它就进入循环,等待下一个要处理的URL。下面是DocumentWorker的主循环:
- 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();
- }
从图一可以看出,蜘蛛程序允许用户自己确定要使用的线程数量。在实践中,线程的最佳数量受许多因素影响。如果你的机器性能较高,或者有两个处理器,可以设置较多的线程数量;反之,如果网络带宽、机器性能有限,设置太多的线程数量其实不一定能够提高性能。
四、任务完成了吗?
利用多个线程同时下载文件有效地提高了性能,但也带来了线程管理方面的问题。其中最复杂的一个问题是:蜘蛛程序何时才算完成了工作?在这里我们要借助一个专用的类Done来判断。
首先有必要说明一下"完成工作"的具体含义。只有当系统中不存在等待下载的URL,而且所有工作线程都已经结束其处理工作时,蜘蛛程序的工作才算完成。也就是说,完成工作意味着已经没有等待下载和正在下载的URL。
Done类提供了一个WaitDone方法,它的功能是一直等待,直到Done对象检测到蜘蛛程序已完成工作。下面是WaitDone方法的代码。
- public void WaitDone()
- {
- Monitor.Enter(this);
- while ( m_activeThreads>0 )
- {
- Monitor.Wait(this);
- }
- Monitor.Exit(this);
- }
- public void WaitBegin()
- {
- Monitor.Enter(this);
- while ( !m_started )
- {
- Monitor.Wait(this);
- }
- Monitor.Exit(this);
- }
- public void WorkerBegin()
- {
- Monitor.Enter(this);
- m_activeThreads++;
- m_started = true;
- Monitor.Pulse(this);
- Monitor.Exit(this);
- }
WorkerBegin方法首先增加当前活动线程的数量,接着设置m_started标记,最后调用Pulse方法以通知(可能存在的)等待工作线程启动的线程。如前所述,可能等待Done对象的方法是WaitBegin方法。每处理完一个URL,WorkerEnd方法会被调用:
- public void WorkerEnd()
- {
- Monitor.Enter(this);
- m_activeThreads--;
- Monitor.Pulse(this);
- Monitor.Exit(this);
- }
WorkerEnd方法减小m_activeThreads活动线程计数器,调用Pulse释放可能在等待Done对象的线程--如前所述,可能在等待Done对象的方法是WaitDone方法。