使用C#實作蜘蛛程式

"蜘蛛"（Spider）是Internet上一種很有用的程式，搜尋引擎利用蜘蛛程式将Web頁面收集到資料庫，企業利用蜘蛛程式監視競争對手的網站并跟蹤變動，個人使用者用蜘蛛程式下載下傳Web頁面以便脫機使用，開發者利用蜘蛛程式掃描自己的Web檢查無效的連結……對于不同的使用者，蜘蛛程式有不同的用途。那麼，蜘蛛程式到底是怎樣工作的呢？

　　蜘蛛是一種半自動的程式，就象現實當中的蜘蛛在它的Web（蜘蛛網）上旅行一樣，蜘蛛程式也按照類似的方式在Web連結織成的網上旅行。蜘蛛程式之是以是半自動的，是因為它總是需要一個初始連結（出發點），但此後的運作情況就要由它自己決定了，蜘蛛程式會掃描起始頁面包含的連結，然後通路這些連結指向的頁面，再分析和追蹤那些頁面包含的連結。從理論上看，最終蜘蛛程式會通路到Internet上的每一個頁面，因為Internet上幾乎每一個頁面總是被其他或多或少的頁面引用。

　　本文介紹如何用C#語言構造一個蜘蛛程式，它能夠把整個網站的内容下載下傳到某個指定的目錄，程式的運作界面如圖一。你可以友善地利用本文提供的幾個核心類構造出自己的蜘蛛程式。

圖1

　　C#特别适合于構造蜘蛛程式，這是因為它已經内置了HTTP通路和多線程的能力，而這兩種能力對于蜘蛛程式來說都是非常關鍵的。下面是構造一個蜘蛛程式要解決的關鍵問題：

　　⑴ HTML分析：需要某種HTML解析器來分析蜘蛛程式遇到的每一個頁面。

　　⑵ 頁面處理：需要處理每一個下載下傳得到的頁面。下載下傳得到的内容可能要儲存到磁盤，或者進一步分析處理。

　　⑶ 多線程：隻有擁有多線程能力，蜘蛛程式才能真正做到高效。

　　⑷ 确定何時完成：不要小看這個問題，确定任務是否已經完成并不簡單，尤其是在多線程環境下。

　　一、HTML解析

　　C#語言本身不包含解析HTML的能力，但支援XML解析；不過，XML有着嚴格的文法，為XML設計的解析器對HTML來說根本沒用，因為HTML的文法要寬松得多。為此，我們需要自己設計一個HTML解析器。本文提供的解析器是高度獨立的，你可以友善地将它用于其它用C#處理HTML的場合。

　　本文提供的HTML解析器由ParseHTML類實作，使用非常友善：首先建立該類的一個執行個體，然後将它的Source屬性設定為要解析的HTML文檔：

ParseHTML parse = new ParseHTML();

parse.Source = "

Hello World

";

　　接下來就可以利用循環來檢查HTML文檔包含的所有文本和标記。通常，檢查過程可以從一個測試Eof方法的while循環開始：

while(!parse.Eof())

{

char ch = parse.Parse();

　　Parse方法将傳回HTML文檔包含的字元--它傳回的内容隻包含那些非HTML标記的字元，如果遇到了HTML标記，Parse方法将傳回0值，表示現在遇到了一個HTML标記。遇到一個标記之後，我們可以用GetTag()方法來處理它。

if(ch==0)

HTMLTag tag = parse.GetTag();

}

　　一般地，蜘蛛程式最重要的任務之一就是找出各個HREF屬性，這可以借助C#的索引功能完成。例如，下面的代碼将提取出HREF屬性的值（如果存在的話）。

Attribute href = tag["HREF"];

string link = href.Value;

　　獲得Attribute對象之後，通過Attribute.Value可以得到該屬性的值。

二、處理HTML頁面

　　下面來看看如何處理HTML頁面。首先要做的當然是下載下傳HTML頁面，這可以通過C#提供的HttpWebRequest類實作：

HttpWebRequest request = (HttpWebRequest)WebRequest.Create(m_uri);

response = request.GetResponse();

stream = response.GetResponseStream();

　　接下來我們就從request建立一個stream流。在執行其他處理之前，我們要先确定該檔案是二進制檔案還是文本檔案，不同的檔案類型處理方式也不同。下面的代碼确定該檔案是否為二進制檔案。

if( !response.ContentType.ToLower().StartsWith("text/") )

SaveBinaryFile(response);

return null;

string buffer = "",line;

　　如果該檔案不是文本檔案，我們将它作為二進制檔案讀入。如果是文本檔案，首先從stream建立一個StreamReader，然後将文本檔案的内容一行一行加入緩沖區。

reader = new StreamReader(stream);

while( (line = reader.ReadLine())!=null )

buffer+=line+"\r\n";

　　裝入整個檔案之後，接着就要把它儲存為文本檔案。

SaveTextFile(buffer);

　　下面來看看這兩類不同檔案的存儲方式。

　　二進制檔案的内容類型聲明不以"text/"開頭，蜘蛛程式直接把二進制檔案儲存到磁盤，不必進行額外的處理，這是因為二進制檔案不包含HTML，是以也不會再有需要蜘蛛程式處理的HTML連結。下面是寫入二進制檔案的步驟。

　　首先準備一個緩沖區臨時地儲存二進制檔案的内容。 byte []buffer = new byte[1024];

string filename = convertFilename( response.ResponseUri );

　　convertFilename方法分離HTTP位址，建立相應的目錄結構。确定了輸出檔案的名字和路徑之後就可以打開讀取Web頁面的輸入流、寫入本地檔案的輸出流。

Stream outStream = File.Create( filename );

Stream inStream = response.GetResponseStream();

　　接下來就可以讀取Web檔案的内容并寫入到本地檔案，這可以通過一個循環友善地完成。

int l;

do

l = inStream.Read(buffer,0,

buffer.Length);

if(l>0)

outStream.Write(buffer,0,l);

} while(l>0);

　　寫入整個檔案之後，關閉輸入流、輸出流。

outStream.Close();

inStream.Close();

　　比較而言，下載下傳文本檔案更容易一些。文本檔案的内容類型總是以"text/"開頭。假設檔案已被下載下傳并儲存到了一個字元串，這個字元串可以用來分析網頁包含的連結，當然也可以儲存為磁盤上的檔案。下面代碼的任務就是儲存文本檔案。

string filename = convertFilename( m_uri );

StreamWriter outStream = new StreamWriter( filename );

outStream.Write(buffer);

　　在這裡，我們首先打開一個檔案輸出流，然後将緩沖區的内容寫入流，最後關閉檔案。

　　三、多線程

　　多線程使得計算機看起來就象能夠同時執行一個以上的操作，不過，除非計算機包含多個處理器，否則，所謂的同時執行多個操作僅僅是一種模拟出來的效果--靠計算機在多個線程之間快速切換達到"同時"執行多個操作的效果。一般而言，隻有在兩種情況下多線程才能事實上提高程式運作的速度。第一種情況是計算機擁有多個處理器，第二種情況是程式經常要等待某個外部事件。

　　對于蜘蛛程式來說，第二種情況正是它的典型特征之一，它每發出一個URL請求，總是要等待檔案下載下傳完畢，然後再請求下一個URL。如果蜘蛛程式能夠同時請求多個URL，顯然能夠有效地減少總下載下傳時間。

　　為此，我們用DocumentWorker類封裝所有下載下傳一個URL的操作。每當一個DocumentWorker的執行個體被建立，它就進入循環，等待下一個要處理的URL。下面是DocumentWorker的主循環：

while(!m_spider.Quit )

m_uri = m_spider.ObtainWork();

m_spider.SpiderDone.WorkerBegin();

string page = GetPage();

if(page!=null)

ProcessPage(page);

m_spider.SpiderDone.WorkerEnd();

　　這個循環将一直運作，直至Quit标記被設定成了true（當使用者點選"Cancel"按鈕時，Quit标記就被設定成true）。在循環之内，我們調用ObtainWork擷取一個URL。ObtainWork将一直等待，直到有一個URL可用--這要由其他線程解析文檔并尋找連結才能獲得。Done類利用WorkerBegin和WorkerEnd方法來确定何時整個下載下傳操作已經完成。

　　從圖一可以看出，蜘蛛程式允許使用者自己确定要使用的線程數量。在實踐中，線程的最佳數量受許多因素影響。如果你的機器性能較高，或者有兩個處理器，可以設定較多的線程數量；反之，如果網絡帶寬、機器性能有限，設定太多的線程數量其實不一定能夠提高性能。

　　四、任務完成了嗎？

　　利用多個線程同時下載下傳檔案有效地提高了性能，但也帶來了線程管理方面的問題。其中最複雜的一個問題是：蜘蛛程式何時才算完成了工作？在這裡我們要借助一個專用的類Done來判斷。

　　首先有必要說明一下"完成工作"的具體含義。隻有當系統中不存在等待下載下傳的URL，而且所有工作線程都已經結束其處理工作時，蜘蛛程式的工作才算完成。也就是說，完成工作意味着已經沒有等待下載下傳和正在下載下傳的URL。

　　Done類提供了一個WaitDone方法，它的功能是一直等待，直到Done對象檢測到蜘蛛程式已完成工作。下面是WaitDone方法的代碼。

public void WaitDone()

Monitor.Enter(this);

while ( m_activeThreads>0 )

Monitor.Wait(this);

Monitor.Exit(this);

　　WaitDone方法将一直等待，直到不再有活動的線程。但必須注意的是，下載下傳開始的最初階段也沒有任何活動的線程，是以很容易造成蜘蛛程式一開始就立即停止的現象。為解決這個問題，我們還需要另一個方法WaitBegin來等待蜘蛛程式進入"正式的"工作階段。一般的調用次序是：先調用WaitBegin，再接着調用WaitDone，WaitDone将等待蜘蛛程式完成工作。下面是WaitBegin的代碼：

public void WaitBegin()

while ( !m_started )

　　WaitBegin方法将一直等待，直到m_started标記被設定。m_started标記是由WorkerBegin方法設定的。工作線程在開始處理各個URL之時，會調用WorkerBegin；處理結束時調用WorkerEnd。WorkerBegin和WorkerEnd這兩個方法幫助Done對象确定目前的工作狀态。下面是WorkerBegin方法的代碼：

public void WorkerBegin()

m_activeThreads++;

m_started = true;

Monitor.Pulse(this);

　　WorkerBegin方法首先增加目前活動線程的數量，接着設定m_started标記，最後調用Pulse方法以通知（可能存在的）等待工作線程啟動的線程。如前所述，可能等待Done對象的方法是WaitBegin方法。每處理完一個URL，WorkerEnd方法會被調用：

public void WorkerEnd()

m_activeThreads--;

　　WorkerEnd方法減小m_activeThreads活動線程計數器，調用Pulse釋放可能在等待Done對象的線程--如前所述，可能在等待Done對象的方法是WaitDone方法。

　　結束語：本文介紹了開發Internet蜘蛛程式的基礎知識，下面提供的源代碼将幫助你進一步深入了解本文的主題。這裡提供的代碼非常靈活，你可以友善地将它用于自己的程式。