广告
返回顶部
首页 > 资讯 > 前端开发 > html >如何用C#语言构造蜘蛛程序
  • 482
分享到

如何用C#语言构造蜘蛛程序

2022-10-19 17:10:07 482人浏览 八月长安
摘要

这篇文章主要介绍“如何用C#语言构造蜘蛛程序”的相关知识,小编通过实际案例向大家展示操作过程,操作方法简单快捷,实用性强,希望这篇“如何用C#语言构造蜘蛛程序”文章能帮助大家解决问题。   "蜘

这篇文章主要介绍“如何用C#语言构造蜘蛛程序”的相关知识,小编通过实际案例向大家展示操作过程,操作方法简单快捷,实用性强,希望这篇“如何用C#语言构造蜘蛛程序”文章能帮助大家解决问题。

  "蜘蛛"(Spider)是Internet上一种很有用的程序,利用蜘蛛程序将WEB页面收集到,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,开发者利用蜘蛛程序扫描自己的Web检查无效的链接……对于不同的用户,蜘蛛程序有不同的用途。那么,蜘蛛程序到底是怎样工作的呢?

  蜘蛛是一种半自动的程序,就象现实当中的蜘蛛在它的Web(蜘蛛网)上旅行一样,蜘蛛程序也按照类似的方式在Web链接织成的网上旅行。蜘蛛程序之所以是半自动的,是因为它总是需要一个初始链接(出发点),但此后的运行情况就要由它自己决定了,蜘蛛程序会扫描起始页面包含的链接,然后访问这些链接指向的页面,再分析和追踪那些页面包含的链接。从理论上看,最终蜘蛛程序会访问到Internet上的每一个页面,因为Internet上几乎每一个页面总是被其他或多或少的页面引用。

  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:

  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

  C#语言本身不包含解析HTML的能力,但支持XML解析;不过,XML有着严格的语法,为XML设计的解析器对HTML来说根本没用,因为HTML的语法要宽松得多。为此,我们需要自己设计一个HTML解析器。本文提供的解析器是高度独立的,你可以方便地将它用于其它用C#处理HTML的场合。

  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 = "<p>Hello World</p>";

  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();

  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。

  if(ch==0)

  {

  HTMLTag tag = 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)。

  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;

  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。

  reader = new StreamReader(stream);

  while( (line = reader.ReadLine())!=null )

  {

  buffer+=line+"\r\n";

  }

  装入整个文件之后,接着就要把它保存为文本文件。

  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则本地路径和名称应当是c:\test\images\loGo.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);

  写入整个文件之后,关闭输入流、输出流。

  outStream.Close();

  inStream.Close();

  比较而言,下载文本文件更容易一些。文本文件的内容类型总是以"text/"开头。假设文件已被下载并保存到了一个字符串,这个字符串可以用来分析网页包含的链接,当然也可以保存为磁盘上的文件。下面代码的任务就是保存文本文件。

  string filename = convertFilename( m_uri );

  StreamWriter outStream = new StreamWriter( filename );

  outStream.Write(buffer);

  outStream.Close();

  在这里,我们首先打开一个文件输出流,然后将缓冲区的内容写入流,最后关闭文件。

  三、多线程

  多线程使得计算机看起来就象能够同时执行一个以上的操作,不过,除非计算机包含多个处理器,否则,所谓的同时执行多个操作仅仅是一种模拟出来的效果--靠计算机在多个线程之间快速切换达到"同时"执行多个操作的效果。一般而言,只有在两种情况下多线程才能事实上提高程序运行的速度。第一种情况是计算机拥有多个处理器,第二种情况是程序经常要等待某个外部事件。

  对于蜘蛛程序来说,第二种情况正是它的典型特征之一,它每发出一个URL请求,总是要等待文件下载完毕,然后再请求下一个URL。如果蜘蛛程序能够同时请求多个URL,显然能够有效地减少总下载时间。

  为此,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();

  }

  这个循环将一直运行,直至Quit标记被设置成了true(当用户点击"Cancel"按钮时,Quit标记就被设置成true)。在循环之内,我们调用ObtainWork获取一个URL。ObtainWork将一直等待,直到有一个URL可用--这要由其他线程解析文档并寻找链接才能获得。Done类利用WorkerBegin和WorkerEnd方法来确定何时整个下载操作已经完成。

  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);

  }

  WaitDone方法将一直等待,直到不再有活动的线程。但必须注意的是,下载开始的最初阶段也没有任何活动的线程,所以很容易造成蜘蛛程序一开始就立即停止的现象。为解决这个问题,我们还需要另一个方法WaitBegin来等待蜘蛛程序进入"正式的"工作阶段。一般的调用次序是:先调用WaitBegin,再接着调用WaitDone,WaitDone将等待蜘蛛程序完成工作。下面是WaitBegin的代码:

  public void WaitBegin()

  {

  Monitor.Enter(this);

  while ( !m_started )

  {

  Monitor.Wait(this);

  }

  Monitor.Exit(this);

  }

  WaitBegin方法将一直等待,直到m_started标记被设置。m_started标记是由WorkerBegin方法设置的。工作线程在开始处理各个URL之时,会调用WorkerBegin;处理结束时调用WorkerEnd。WorkerBegin和WorkerEnd这两个方法帮助Done对象确定当前的工作状态。下面是WorkerBegin方法的代码:

  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。

关于“如何用C#语言构造蜘蛛程序”的内容就介绍到这里了,感谢大家的阅读。如果想了解更多行业相关的知识,可以关注编程网html频道,小编每天都会为大家更新不同的知识点。

--结束END--

本文标题: 如何用C#语言构造蜘蛛程序

本文链接: https://www.lsjlt.com/news/91021.html(转载时请注明来源链接)

有问题或投稿请发送至: 邮箱/279061341@qq.com    QQ/279061341

本篇文章演示代码以及资料文档资料下载

下载Word文档到电脑,方便收藏和打印~

下载Word文档
猜你喜欢
  • 如何用C#语言构造蜘蛛程序
    这篇文章主要介绍“如何用C#语言构造蜘蛛程序”的相关知识,小编通过实际案例向大家展示操作过程,操作方法简单快捷,实用性强,希望这篇“如何用C#语言构造蜘蛛程序”文章能帮助大家解决问题。   "蜘...
    99+
    2022-10-19
  • 如何使用C#语言构造蜘蛛程序
    这篇文章主要为大家展示了“如何使用C#语言构造蜘蛛程序”,内容简而易懂,条理清晰,希望能够帮助大家解决疑惑,下面让小编带领大家一起研究并学习一下“如何使用C#语言构造蜘蛛程序”这篇文章吧。   "...
    99+
    2022-10-19
  • 如何构造C#语言的爬虫蜘蛛程序
    这篇文章主要介绍了如何构造C#语言的爬虫蜘蛛程序的相关知识,内容详细易懂,操作简单快捷,具有一定借鉴价值,相信大家阅读完这篇如何构造C#语言的爬虫蜘蛛程序文章都会有所收获,下面我们一起来看看吧。   C#...
    99+
    2022-10-19
  • 如何构造一个C#语言的爬虫程序
    本篇内容介绍了“如何构造一个C#语言的爬虫程序”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成!   转CS...
    99+
    2022-10-19
  • 如何使用Dev C++编写C语言程序
    本篇内容介绍了“如何使用Dev C++编写C语言程序”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成!C语言是什么C语言是一门面向过程的、抽象化...
    99+
    2023-06-08
  • Go语言中如何使用结构体构造函数
    这篇文章将为大家详细讲解有关Go语言中如何使用结构体构造函数,文章内容质量较高,因此小编分享给大家做个参考,希望大家阅读完这篇文章后对相关知识有一定的了解。Go语言的结构体 构造函数下面的代码就实现了一个P...
    99+
    2022-10-18
    go语言
  • c语言如何写驱动程序
    编写C语言驱动程序需要以下步骤: 了解硬件设备:首先,你需要了解要驱动的硬件设备的规格和功能,包括设备寄存器地址、设备操作方式等...
    99+
    2023-10-24
    c语言
  • C语言结构体如何使用
    本文小编为大家详细介绍“C语言结构体如何使用”,内容详细,步骤清晰,细节处理妥当,希望这篇“C语言结构体如何使用”文章能帮助大家解决疑惑,下面跟着小编的思路慢慢深入,一起来学习新知识吧。本质一些值的集合。简单使用#include ...
    99+
    2023-06-30
  • 如何将C++源程序改写为C语言
    目录如何将C++的源程序改写为C语言一.类的成员函数和数据成员二.类的构造函数三.类的析构函数四.类的拷贝构造函数六.重载如何将C++的源程序改写为C语言 由于C++解释器比C语言解...
    99+
    2022-11-12
    C++源程序改写 C++源程序 C语言
  • C语言如何设计并行程序
    设计并行程序的关键在于充分利用计算机处理器的多核心和多线程能力,以提高程序的性能和效率。 以下是设计并行程序的一般步骤: 分析程...
    99+
    2023-10-27
    C语言
  • C语言如何实现数独程序
    这篇文章主要介绍“C语言如何实现数独程序”,在日常操作中,相信很多人在C语言如何实现数独程序问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”C语言如何实现数独程序”的疑惑有所帮助!接下来,请跟着小编一起来学习吧...
    99+
    2023-07-05
  • c语言如何单步调试程序
    要在C语言中进行单步调试程序,可以使用调试器。调试器是一个开发工具,可以帮助程序员在程序执行过程中逐行跟踪代码,查看变量的值,以及检...
    99+
    2023-08-24
    c语言
  • C语言中程序如何调用Python脚本
    目录一、环境配置0x00 平台0x01 添加 包含目录 和 库目录0x02 添加依赖项二、案例三、常用API有时候在写C语言程序的时候又想利用一下pyt...
    99+
    2022-11-12
    C语言调用Python脚本
  • C语言中结构体如何使用
    今天就跟大家聊聊有关C语言中结构体如何使用,可能很多人都不太了解,为了让大家更加了解,小编给大家总结了以下内容,希望大家根据这篇文章可以有所收获。一、关于结构体在C语言中,结构体(struct)指的是一种数...
    99+
    2022-10-19
    c语言
  • C语言顺序表如何使用
    本篇内容介绍了“C语言顺序表如何使用”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成!编程环境为 ubuntu 18.04。顺序表需要连续一片存...
    99+
    2023-06-30
  • c语言四则运算程序如何写
    下面是一个简单的C语言四则运算程序的示例:#include int main() {int num1, num2;char oper...
    99+
    2023-08-24
    c语言
  • Linux系统如何运行C语言程序
    这篇文章给大家介绍Linux系统如何运行C语言程序,内容非常详细,感兴趣的小伙伴们可以参考借鉴,希望对大家能有所帮助。在Linux系统中如何运行C语言程序?打开安装好的Linux系统(ubuntu18.04)1.安装编辑器使用语句:sudo...
    99+
    2023-06-28
  • c语言结构体指针如何使用
    在C语言中,我们可以使用指针来操作结构体变量。首先,我们需要定义一个结构体类型,然后声明一个结构体变量。接下来,我们可以使用指针来操...
    99+
    2023-10-28
    c语言
  • C语言中的结构体如何使用
    本篇内容介绍了“C语言中的结构体如何使用”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成!结构体的声明结构体的定义:结构体是一些值的集合,这些值...
    99+
    2023-07-02
  • 编程语言中如何利用构造方法实现模块的解耦
    编程语言中如何利用构造方法实现模块的解耦,相信很多没有经验的人对此束手无策,为此本文总结了问题出现的原因和解决方法,通过这篇文章希望你能解决这个问题。解耦,不仅只是对程序的扩展性而言,它可能还是你使用你的程序从一个层面向另一个层面提高的基础...
    99+
    2023-06-17
软考高级职称资格查询
编程网,编程工程师的家园,是目前国内优秀的开源技术社区之一,形成了由开源软件库、代码分享、资讯、协作翻译、讨论区和博客等几大频道内容,为IT开发者提供了一个发现、使用、并交流开源技术的平台。
  • 官方手机版

  • 微信公众号

  • 商务合作