爬虫蜘蛛程序的制作大体制作过程.docx

1、爬虫蜘蛛程序的制作大体制作过程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( “” );/将下载地址转换为Uri类型HttpWebRequest requestPage = ( HttpWebReques

2、t )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

3、 = 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.htmlsaveAPage.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

4、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

5、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：”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

6、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“ 在爬虫/蜘蛛程序的制作（C#语言）一文中，已经介绍了爬虫程序实现的基本方法，可以说，已经实现了爬虫的功能。只是它存在一个效率问题，下载速度可能很慢。这是两方面的原因造成的：1.分析和下载不能同步进行。在爬虫/蜘蛛程序的制作（C#语言）中已经介绍了爬虫程序的两个步骤：分析和下载。在单线程的程序中，两者是无法同时进行的。也就是说，分析时会造成网络空闲，分析的时间越长，下载的效率越低。反之也是一样，下载时无法同时进行分析，只有停下下载后才能进行下一步的分析。问题浮出水面，我想大家都会想到：把分析和下载用不同的线程进行，问题不

7、就解决了吗？2.只是单线程下载。相信大家都有用过网际快车等下载资源的经历，它里面是可以设置线程数的（近年版本默认是10，曾经默认是5）。它会将文件分成与线程数相同的部分，然后每个线程下载自己的那一部分，这样下载效率就有可能提高。相信大家都有加多线程数，提升下载效率的经历。但细心的用户会发现，在带宽一定的情况下，并不是线程越多，速度越快，而是在某一点达到峰值。爬虫作为特殊的下载工具，不具备多线程的能力何以有效率可谈？爬虫在信息时代的目的，难道不是快速获取信息吗？所以，爬虫需要有多线程（可控数量）同时下载网页。 好了，认识、分析完问题，就是解决问题了： 多线程在C#中并不难实现。它有一个命名空间：

8、System.Threading，提供了多线程的支持。要开启一个新线程，需要以下的初始化：ThreadStart startDownload = new ThreadStart( DownLoad ); /线程起始设置：即每个线程都执行DownLoad()，注意：DownLoad()必须为不带有参数的方法Thread downloadThread = new Thread( startDownload ); /实例化要开启的新类downloadThread.Start();/开启线程 由于线程起始时启动的方法不能带有参数，这就为多线程共享资源添加了麻烦。不过我们可以用类级变量（当然也可以使用其

9、它方法，笔者认为此方法最简单易用）来解决这个问题。知道开启多线程下载的方法后，大家可能会产生几个疑问：1.如何控制线程的数量？2.如何防止多线程下载同一网页？3.如何判断线程结束？4.如何控制线程结束？ 下面就这几个问题提出解决方法：1.线程数量我们可以通过for循环来实现，就如同当年初学编程的打点程序一样。比如已知用户指定了n（它是一个int型变量）个线程吧，可以用如下方法开启五个线程。Thread downloadThread;/声名下载线程，这是C#的优势，即数组初始化时，不需要指定其长度，可以在使用时才指定。这个声名应为类级，这样也就为其它方法控件它们提供了可能ThreadStart

10、startDownload = new ThreadStart( DownLoad );/线程起始设置：即每个线程都执行DownLoad()downloadThread = new Thread n ;/为线程申请资源，确定线程总数for( int i = 0; i n; i+ )/开启指定数量的线程数downloadThreadi = new Thread( startDownload );/指定线程起始设置downloadThreadi.Start();/逐个开启线程 好了，实现控制开启线程数是不是很简单啊？2.下面出现的一个问题：所有的线程都调用DonwLoad()方法，这样如何避免它们

11、同时下载同一个网页呢？这个问题也好解决，只要建立一下Url地址表，表中的每个地址只允许被一个线程申请即可。具体实现：可以利用数据库，建立一个表，表中有四列，其中一列专门用于存储Url地址，另外两列分别存放地址对应的线程以及该地址被申请的次数，最后一列存放下载的内容。（当然，对应线程一列不是必要的）。当有线程申请后，将对应线程一列设定为当前线程编号，并将是否申请过一列设置为申请一次，这样，别的线程就无法申请该页。如果下载成功，则将内容存入内容列。如果不成功，内容列仍为空，作为是否再次下载的依据之一，如果反复不成功，则进程将于达到重试次数（对应该地址被申请的次数，用户可设）后，申请下一个Url地址

12、。主要的代码如下（以VFP为例）：CREATE TABLE (ctablename) ( curl M , ctext M , ldowned I , threadNum I ) &建立一个表ctablename.dbf，含有地址、文本内容、已经尝试下载次数、线程标志（初值为-1，线程标志是从0开始的整数）四个字段cfullname = (ctablename) + .dbf&为表添加扩展名USE (cfullname) GO TOPLOCATE FOR (EMPTY( ALLTRIM( ctext ) ) AND ldowned 2 AND ( threadNum = thisNum OR

13、threadNum = - 1) ) &查找尚未下载成功且应下载的属于本线程权限的Url地址，thisNum是当前线程的编号，可以通过参数传递得到gotUrl = curl recNum = RECNO()IF recNum = RECCOUNT() THEN &如果在列表中找到这样的Url地址UPDATE (cfullname) SET ldowned = ( ldowned + 1 ) , threadNum = thisNum WHERE RECNO() = recNum &更新表，将此记录更新为已申请，即下载次数加1，线程标志列设为本线程的编号。cfulltablename = (ct

14、ablename) + .dbfUSE (cfulltablename)SET EXACT ON LOCATE FOR curl = (csiteurl) & csiteurl是参数，为下载到的内容所对应的Url地址recNumNow = RECNO()&得到含有此地址的记录号UPDATE (cfulltablename) SET ctext = (ccontent) WHERE RECNO() = recNumNow &插入对应地址的对应内容ctablename = (ctablename) + .dbfUSE (ctablename)GO TOP SET EXACT ONLOCATE FO

15、R curl = (cnewurl) &查找有无此地址IF RECNO() RECCOUNT() THEN &如果尚无此地址SET CARRY OFFINSERT INTO (ctablename) ( curl , ctext , ldowned , threadNum ) VALUES ( (cnewurl) , , 0 , -1 ) &将主页地址添加到列表 好了，这样就解决了多线程中，线程冲突。当然，去重问题也可以在C#语言内解决，只根建立一个临时文件（文本就可以），保存所有的Url地址，差对它们设置相应的属性即可，但查找效率可能不及数据库快。3.线程结束是很难判断的，因为它总是在查找新

16、的链接。用者认为可以假设：线程重复N次以后还是没有能申请到新的Url地址，那么可以认为它已经下载完了所有链接。主要代码如下：string url = ;int times = 0;while ( url = )/如果没有找到符合条件的记录，则不断地寻找符合条件的记录url = getUrl.GetAUrl( );/调用GetAUrl方法，试图得到一个url值if ( url = )/如果没有找到times +;/尝试次数自增continue; /进行下一次尝试if ( times N ) /如果已经尝试够了次数，则退出进程downloadThreadi.Abort; /退出进程else/如果没

17、有尝试够次数Times = 0; /尝试次数归零处理/进行下一步针对得到的Url的处理 4.这个问题相对简单，因为在问题一中已经建议，将线程声名为类级数组，这样就很易于控制。只要用一个for循环即可结束。代码如下：for( int i = 0; i n; i+ )/关闭指定数量n的线程数downloadThreadi.Abort();/逐个关闭线程 好了，一个蜘蛛程序就这样完成了，在C#面前，它的实现原来如此简单。 这里笔者还想提醒读者：笔者只是提供了一个思路及一个可以实现的解决方案，但它并不是最佳的，即使这个方案本身，也有好多可以改进的地方，留给读者思考。 最后说明一下我所使用的环境：win

18、XP sp2 ProVFP 9.0Visual Studio 2003 .net中文企业版来源链接：该文章转载自网络大本营： v 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( “” );/将下载地址转换

19、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

20、 , 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.htmlsaveAPage.Write(Rich.Text);/创建写入任务saveAPage.Flush();/写入文件（即清

21、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

22、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：”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

23、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“ 在爬虫/蜘蛛程序的制作（C#语言）一文中，已经介绍了爬虫程序实现的基本方法，可以说，已经实现了爬虫的功能。只是它存在一个效率问题，下载速度可能很慢。这是两方面的原因造成的：1.分析和下载不能同步进行。在爬虫/蜘蛛程序的制作（C#语言）中已经介绍了爬虫程序的两个步骤：分析和下载。在单线程的程序中，两者是无法同时进行的。也就是说，分析时会造成网络空闲，分析的时间越长，下载的效率越低。反之也是一样，下载时无法同时进行分析，只有

24、停下下载后才能进行下一步的分析。问题浮出水面，我想大家都会想到：把分析和下载用不同的线程进行，问题不就解决了吗？2.只是单线程下载。相信大家都有用过网际快车等下载资源的经历，它里面是可以设置线程数的（近年版本默认是10，曾经默认是5）。它会将文件分成与线程数相同的部分，然后每个线程下载自己的那一部分，这样下载效率就有可能提高。相信大家都有加多线程数，提升下载效率的经历。但细心的用户会发现，在带宽一定的情况下，并不是线程越多，速度越快，而是在某一点达到峰值。爬虫作为特殊的下载工具，不具备多线程的能力何以有效率可谈？爬虫在信息时代的目的，难道不是快速获取信息吗？所以，爬虫需要有多线程（可控数量）同

25、时下载网页。 好了，认识、分析完问题，就是解决问题了： 多线程在C#中并不难实现。它有一个命名空间：System.Threading，提供了多线程的支持。要开启一个新线程，需要以下的初始化：ThreadStart startDownload = new ThreadStart( DownLoad ); /线程起始设置：即每个线程都执行DownLoad()，注意：DownLoad()必须为不带有参数的方法Thread downloadThread = new Thread( startDownload ); /实例化要开启的新类downloadThread.Start();/开启线程 由于线程起

26、始时启动的方法不能带有参数，这就为多线程共享资源添加了麻烦。不过我们可以用类级变量（当然也可以使用其它方法，笔者认为此方法最简单易用）来解决这个问题。知道开启多线程下载的方法后，大家可能会产生几个疑问：1.如何控制线程的数量？2.如何防止多线程下载同一网页？3.如何判断线程结束？4.如何控制线程结束？ 下面就这几个问题提出解决方法：1.线程数量我们可以通过for循环来实现，就如同当年初学编程的打点程序一样。比如已知用户指定了n（它是一个int型变量）个线程吧，可以用如下方法开启五个线程。Thread downloadThread;/声名下载线程，这是C#的优势，即数组初始化时，不需要指定其长度

27、，可以在使用时才指定。这个声名应为类级，这样也就为其它方法控件它们提供了可能ThreadStart startDownload = new ThreadStart( DownLoad );/线程起始设置：即每个线程都执行DownLoad()downloadThread = new Thread n ;/为线程申请资源，确定线程总数for( int i = 0; i n; i+ )/开启指定数量的线程数downloadThreadi = new Thread( startDownload );/指定线程起始设置downloadThreadi.Start();/逐个开启线程 好了，实现控制开启线程

28、数是不是很简单啊？2.下面出现的一个问题：所有的线程都调用DonwLoad()方法，这样如何避免它们同时下载同一个网页呢？这个问题也好解决，只要建立一下Url地址表，表中的每个地址只允许被一个线程申请即可。具体实现：可以利用数据库，建立一个表，表中有四列，其中一列专门用于存储Url地址，另外两列分别存放地址对应的线程以及该地址被申请的次数，最后一列存放下载的内容。（当然，对应线程一列不是必要的）。当有线程申请后，将对应线程一列设定为当前线程编号，并将是否申请过一列设置为申请一次，这样，别的线程就无法申请该页。如果下载成功，则将内容存入内容列。如果不成功，内容列仍为空，作为是否再次下载的依据之一

29、，如果反复不成功，则进程将于达到重试次数（对应该地址被申请的次数，用户可设）后，申请下一个Url地址。主要的代码如下（以VFP为例）：CREATE TABLE (ctablename) ( curl M , ctext M , ldowned I , threadNum I ) &建立一个表ctablename.dbf，含有地址、文本内容、已经尝试下载次数、线程标志（初值为-1，线程标志是从0开始的整数）四个字段cfullname = (ctablename) + .dbf&为表添加扩展名USE (cfullname) GO TOPLOCATE FOR (EMPTY( ALLTRIM( cte

30、xt ) ) AND ldowned 2 AND ( threadNum = thisNum OR threadNum = - 1) ) &查找尚未下载成功且应下载的属于本线程权限的Url地址，thisNum是当前线程的编号，可以通过参数传递得到gotUrl = curl recNum = RECNO()IF recNum = RECCOUNT() THEN &如果在列表中找到这样的Url地址UPDATE (cfullname) SET ldowned = ( ldowned + 1 ) , threadNum = thisNum WHERE RECNO() = recNum &更新表，将此记

31、录更新为已申请，即下载次数加1，线程标志列设为本线程的编号。cfulltablename = (ctablename) + .dbfUSE (cfulltablename)SET EXACT ON LOCATE FOR curl = (csiteurl) & csiteurl是参数，为下载到的内容所对应的Url地址recNumNow = RECNO()&得到含有此地址的记录号UPDATE (cfulltablename) SET ctext = (ccontent) WHERE RECNO() = recNumNow &插入对应地址的对应内容ctablename = (ctablename) + .dbfUSE (cta