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：

　　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。

月落

　　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。 www.yueluo.net

　　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。 www.yueluo.net

　　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。 字串5

　　一、HTML解析 月落网

　　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： 字串6

ParseHTML parse = new ParseHTML();
　　parse.Source = "Hello World "; 字串9

　　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： 字串9

while(!parse.Eof())
　　{
　　char ch = parse.Parse(); 字串6

　　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();
　　} 字串6

　　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)。

yueluo.net

Attribute href = tag["HREF"];
　　string link = href.Value;

字串6

　　获得Attribute对象之后，通过Attribute.Value可以得到该属性的值。 字串8

　　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： 字串6

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。 www.yueluo.net

if( !response.ContentType.ToLower().StartsWith("text/") )
　　{
　　SaveBinaryFile(response);
　　return null;
　　}
　　string buffer = "",line;

字串8

　　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";
　　}

字串7

　　装入整个文件之后，接着就要把它保存为文本文件。 月落

SaveTextFile(buffer);

月落

　　下面来看看这两类不同文件的存储方式。

字串5

　　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。

字串9

　　首先准备一个缓冲区临时地保存二进制文件的内容。 字串9

byte []buffer = new byte[1024];

字串5

　　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:\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。

字串5

　　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();