C#语言的爬虫程序代码

《C#语言的爬虫程序代码》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、C#特别适合于构造蜘蛛程序，这是因为它已经内置了HTTP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，尤其是在多线程环境下。一、HTML解析提供的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Sour

2、ce属性设置为要解析的HTML文档：以下是代码片段：ParseHTMLparse=newParseHTML();parse.Source="HelloWorld";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：以下是代码片段：while(!parse.Eof()){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Ge

3、tTag()方法来处理它。以下是代码片段：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，下面的代码将提取出HREF属性的值(如果存在的话)。以下是代码片段：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HttpWebR

4、equest类实现：以下是代码片段：HttpWebRequestrequest=(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。以下是代码片段：if(!response.ContentType.ToLower().StartsWi

5、th("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。以下是代码片段：reader=newStreamReader(stream);while((line=reader.ReadLine())!=null){buffer+=line+"rn";}装入整个文件之后，接着就要把它保存为文本文件。以下是代码片段：SaveTextFile(

6、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。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。以下是代码片段：byte[]buffer=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，则本地路径和名称应当是c:testimageslogo.gif

7、。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。以下是代码片段：stringfilename=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。以下是代码片段：StreamoutStream=File.Create(filename);Stream