搜索引擎研究---网络蜘蛛程序算法相关资料

《搜索引擎研究---网络蜘蛛程序算法相关资料》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、何用C#语言构造蜘蛛程序　"蜘蛛"（Spider）是Internet上一种很有用的程序，搜索引擎利用蜘蛛程序将Web页面收集到数据库，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

2、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。　　本文介绍如何用C#语言构造一个蜘蛛程序，它能够把整个网站的内容下载到某个指定的目录，程序的运行界面如图一。你可以方便地利用本文提供的几个核心类构造出自己的蜘蛛程序。　　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：　　⑴HTML分析：需要某种HTML解析器来分析蜘蛛

3、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

4、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：ParseHTMLparse=newParseHTML();parse.Source="HelloWorld";　　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()){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

5、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){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）。Attributehref=tag["HREF"];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

6、供的HttpWebRequest类实现：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。if(!response.ContentType.ToLower().StartsWith("text/")

7、){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。reader=newStreamReader(stream);while((line=reader.ReadLine())!=null){bu