欢迎来到天天文库
浏览记录
ID:9268856
大小:196.50 KB
页数:36页
时间:2018-04-25
《cnet语言的爬虫程序》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、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: 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
2、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: ParseHTMLparse=newParseHTML(); parse.Source="
HelloWorld
3、 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。 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
4、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#提供的HttpWebRequest类实现: HttpWebRequestrequest=(HttpWebReque
5、st)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("
6、text/")) { 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) { buffer
7、+=line+"r"; } 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[]bu
8、ffer=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http://myhost.com/images/logo.gif,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。
此文档下载收益归作者所有