如何构造一个C#语言的爬虫程序

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：

(1)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。
(2)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。
(3)多线程：只有拥有多线程能力，蜘蛛程序才能真正做到高效。
(4)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();

  
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http://dotnet.chinaitlab.com/UploadFiles_6597/200901/20090104103231478.gif?http://www.xvna.com，则本地路径和名称应当是c:\test\images\logo.gif?http://www.xvna.com。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);

三、多线程

我们用DocumentWorker类封装所有下载一个URL的操作。