cnet语言的爬虫程序

《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。