好文档 - 专业文书写作范文服务资料分享网站

C#语言的爬虫程序代码

天下 分享 时间: 加入收藏 我要投稿 点赞

C#特别适合于构造蜘蛛程序,这是因为它已经内置了HTTP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: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

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:

以下是代码片段:

ParseHTMLparse=newParseHTML(); parse.Source=\

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:

以下是代码片段: while(!parse.Eof()) {

charch=parse.Parse();

Parse方法将返回HTML文档包含的字符它返回的内容只包含那些非HTML标记的字符,如果遇到了HTML标记,Parse方法将返回0值,表示现在遇到了一个HTML标记。遇到一个标记之后,我们可以用GetTag()方法来处理它。

以下是代码片段: if(ch==0) {

HTMLTagtag=parse.GetTag(); }

一般地,蜘蛛程序最重要的任务之一就是找出各个HREF属性,这可以借助C#的索引功能完成。例如,下面的代码将提取出HREF属性的值(如果存在的话)。

以下是代码片段: Attributehref=tag[\stringlink=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:

以下是代码片段:

HttpWebRequestrequest=(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。

以下是代码片段:

if(!response.ContentType.ToLower().StartsWith(\{

SaveBinaryFile(response); returnnull; }

stringbuffer=\,line;

如果该文件不是文本文件,我们将它作为二进制文件读入。如果是文本文件,首先从stream创建一个StreamReader,然后将文本文件的内容一行一行加入缓冲区。

以下是代码片段:

reader=newStreamReader(stream); while((line=reader.ReadLine())!=null) {

buffer+=line+\}

装入整个文件之后,接着就要把它保存为文本文件。 以下是代码片段: 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\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。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。 以下是代码片段: byte[]buffer=newbyte[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,则本地路径和名称应当是c:testimageslogo.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。

以下是代码片段:

stringfilename=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。

以下是代码片段:

StreamoutStream=File.Create(filename); StreaminStream=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。

以下是代码片段: intl; do

{

l=inStream.Read(buffer,0, buffer.Length); if(l>0)

outStream.Write(buffer,0,l); }

while(l>0); 三、多线程

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:

以下是代码片段: while(!m_spider.Quit) {

m_uri=m_spider.ObtainWork(); m_spider.SpiderDone.WorkerBegin(); stringpage=GetPage(); if(page!=null) ProcessPage(page);

m_spider.SpiderDone.WorkerEnd();

C#语言的爬虫程序代码

C#特别适合于构造蜘蛛程序,这是因为它已经内置了HTTP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:⑴HTML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
推荐度:
点击下载文档文档为doc格式
522694otyv3z01x0bcln
领取福利

微信扫码领取福利

微信扫码分享