您的位置:首頁 > 新聞資訊 > 搜索引擎

搜索引擎研究---網絡蜘蛛程序算法相關資料

日期:2006-12-08 16:49:08 點擊: 來自: 作者:
 1/5    1 2 3 4 5 下一頁 尾頁

如何用C#語言構造蜘蛛程序
 "蜘蛛"(Spider)是Internet上一種很有用的程序,搜索引擎利用蜘蛛程序將Web頁面收集到數據庫,企業利用蜘蛛程序監視競爭對手的網站并跟蹤變動,個人用戶用蜘蛛程序下載Web頁面以便脫機使用,開發者利用蜘蛛程序掃描自己的Web檢查無效的鏈接……對于不同的用戶,蜘蛛程序有不同的用途。那么,蜘蛛程序到底是怎樣工作的呢?

  蜘蛛是一種半自動的程序,就象現實當中的蜘蛛在它的Web(蜘蛛網)上旅行一樣,蜘蛛程序也按照類似的方式在Web鏈接織成的網上旅行。蜘蛛程序之所以是半自動的,是因為它總是需要一個初始鏈接(出發點),但此后的運行情況就要由它自己決定了,蜘蛛程序會掃描起始頁面包含的鏈接,然后訪問這些鏈接指向的頁面,再分析和追蹤那些頁面包含的鏈接。從理論上看,最終蜘蛛程序會訪問到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序,它能夠把整個網站的內容下載到某個指定的目錄,程序的運行界面如圖一。你可以方便地利用本文提供的幾個核心類構造出自己的蜘蛛程序。
  C#特別適合于構造蜘蛛程序,這是因為它已經內置了HTTP訪問和多線程的能力,而這兩種能力對于蜘蛛程序來說都是非常關鍵的。下面是構造一個蜘蛛程序要解決的關鍵問題:

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

  ⑵ 頁面處理:需要處理每一個下載得到的頁面。下載得到的內容可能要保存到磁盤,或者進一步分析處理。

  ⑶ 多線程:只有擁有多線程能力,蜘蛛程序才能真正做到高效。

  ⑷ 確定何時完成:不要小看這個問題,確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,但支持XML解析;不過,XML有著嚴格的語法,為XML設計的解析器對HTML來說根本沒用,因為HTML的語法要寬松得多。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,你可以方便地將它用于其它用C#處理HTML的場合。

  本文提供的HTML解析器由ParseHTML類實現,使用非常方便:首先創建該類的一個實例,然后將它的Source屬性設置為要解析的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標記。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方法將返回HTML文檔包含的字符--它返回的內容只包含那些非HTML標記的字符,如果遇到了HTML標記,Parse方法將返回0值,表示現在遇到了一個HTML標記。遇到一個標記之后,我們可以用GetTag()方法來處理它。

if(ch==0){HTMLTag tag = parse.GetTag();}

  一般地,蜘蛛程序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,下面的代碼將提取出HREF屬性的值(如果存在的話)。

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

  獲得Attribute對象之后,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HTML頁面,這可以通過C#提供的HttpWebRequest類實現:

HttpWebRequest request = (HttpWebRequest)WebRequest.Create(m_uri);response = request.GetResponse();stream = response.GetResponseStream();

  接下來我們就從request創建一個stream流。在執行其他處理之前,我們要先確定該文件是二進制文件還是文本文件,不同的文件類型處理方式也不同。下面的代碼確定該文件是否為二進制文件。

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

  如果該文件不是文本文件,我們將它作為二進制文件讀入。如果是文本文件,首先從stream創建一個StreamReader,然后將文本文件的內容一行一行加入緩沖區。

reader = new StreamReader(stream);while( (line = reader.ReadLine())!=null ){buffer+=line+"rn";}

  裝入整個文件之后,接著就要把它保存為文本文件。

SaveTextFile(buffer);

  下面來看看這兩類不同文件的存儲方式。

  二進制文件的內容類型聲明不以"text/"開頭,蜘蛛程序直接把二進制文件保存到磁盤,不必進行額外的處理,這是因為二進制文件不包含HTML,因此也不會再有需要蜘蛛程序處理的HTML鏈接。下面是寫入二進制文件的步驟。

  首先準備一個緩沖區臨時地保存二進制文件的內容。 byte []buffer = new byte[1024];

  接下來要確定文件保存到本地的路徑和名稱。如果要把一個myhost.com網站的內容下載到本地的c:test文件夾,二進制文件的網上路徑和名稱是http://myhost.com/images/logo.gif,則本地路徑和名稱應當是c:testimageslogo.gif。與此同時,我們還要確保c:test目錄下已經創建了images子目錄。這部分任務由convertFilename方法完成。

string filename = convertFilename( response.ResponseUri );

  convertFilename方法分離HTTP地址,創建相應的目錄結構。確定了輸出文件的名字和路徑之后就可以打開讀取Web頁面的輸入流、寫入本地文件的輸出流。

Stream outStream = File.Create( filename );Stream inStream = response.GetResponseStream();

  

 1/5    1 2 3 4 5 下一頁 尾頁
More..素材圖片 Picture Navigation
搜索引擎熱門 Class Hot
搜索引擎推薦 Class Commend
版權所有:中國網站資源 2005- 未經授權禁止復制或建立鏡像 This Site Tech:XHTML+DIV+CSS+Javascript
CopyRight ® 2005- www.szgxlt.com online services. all rights reserved. ICP06016627
Optimized to 1024x768 to Firefox,Netscape,Opera,MS-IE6+.
雷火电竞 <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <文本链> <文本链> <文本链> <文本链> <文本链> <文本链>