发布一款基于C#的网络爬虫程序

这是一款用 C# 编写的网络爬虫, 发布在:http://nwebcrawler.codeplex.com/

主要特性有:

  • 可配置:线程数、线程等待时间,连接超时时间,可爬取文件类型和优先级、下载目录等。
  • 状态栏显示统计信息:排入队列URL数,已下载文件数,已下载总字节数,CPU使用率和可用内存等。
  • 有偏好的爬虫:可针对爬取的资源类型设置不同的优先级。
  • 健壮性:十几项URL正规化策略以排除冗余下载、爬虫陷阱避免策略的使用等、多种策略以解析相对路径等。
  • 较好的性能:基于正则表达式的页面解析、适度加锁、维持HTTP连接等。

参见下面的截图:

image

今后有空可能加入的特性:

新特性 介绍
爬取文件用Berkeley DB存储 提高性能: 常用操作系统不善于处理大量小文件
基于URL Ranking的优先级队列 主题爬虫: 机器学习算法对链接与主题相关度进行评估,并按照得出的优先级顺序进行爬取
爬虫礼仪 遵循爬虫禁止协议、以及避免对服务器资源的过度使用等
性能优化 用UDP取代封装好的HttpWebRequest/Response
DNS缓存
异步的DNS地址解析
硬盘缓存或内存数据库以避免频繁的磁盘寻道
分布式爬虫以扩展单机能力(CPU、内存和硬盘访问)
   

posted on 2010-01-05 01:00  薛定谔的旺财(刘杨)  阅读(...)  评论(...编辑  收藏

导航