如何构造一个C#语言的爬虫程序(2)

 

阅读提示：本文讲解C#因为内置了HTTP访问和多线程，所以适合于构造蜘蛛程序中要解决的关键问题，供大家参考！

 

首先准备一个缓冲区临时地保存二进制文件的内容。 byte []buffer = new byte[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。

  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();

  
接下来就可以读取Web文件的内容并写入到本地文件，这可以通过一个循环方便地完成。 

  int l; 

            do 

            { 

            l = inStream.Read(buffer,0, 

            buffer.Length); 

            if(l>0) 

            outStream.Write(buffer,0,l); 

            } while(l>0);

三、多线程

我们用DocumentWorker类封装所有下载一个URL的操作。每当一个DocumentWorker的实例被创建，它就进入循环，等待下一个要处理的URL。下面是DocumentWorker的主循环：

  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(); 

            }

  
这个循环将一直运行，直至Quit标记被设置成了true（当用户点击“Cancel”按钮时，Quit标记就被设置成true）。在循环之内，我们调用ObtainWork获取一个URL。ObtainWork将一直等待，直到有一个URL可用--这要由其他线程解析文档并寻找链接才能获得。Done类利用WorkerBegin和WorkerEnd方法来确定何时整个下载操作已经完成。

从图一可以看出，蜘蛛程序允许用户自己确定要使用的线程数量。在实践中，线程的最佳数量受许多因素影响。如果你的机器性能较高，或者有两个处理器，可以设置较多的线程数量；反之，如果网络带宽、机器性能有限，设置太多的线程数量其实不一定能够提高性能。

四、任务完成了吗？

利用多个线程同时下载文件有效地提高了性能，但也带来了线程管理方面的问题。其中最复杂的一个问题是：蜘蛛程序何时才算完成了工作？在这里我们要借助一个专用的类Done来判断。

首先有必要说明一下“完成工作”的具体含义。只有当系统中不存在等待下载的URL，而且所有工作线程都已经结束其处理工作时，蜘蛛程序的工作才算完成。也就是说，完成工作意味着已经没有等待下载和正在下载的URL。

Done类提供了一个WaitDone方法，它的功能是一直等待，直到Done对象检测到蜘蛛程序已完成工作。下面是WaitDone方法的代码。

  public void WaitDone() 

            { 

            Monitor.Enter(this); 

            while ( m_activeThreads>0 ) 

            { 

            Monitor.Wait(this); 

            } 

            Monitor.Exit(this); 

            } 

  
WaitDone方法将一直等待，直到不再有活动的线程。但必须注意的是，下载开始的最初阶段也没有任何活动的线程，所以很容易造成蜘蛛程序一开始就立即停止的现象。为解决这个问题，我们还需要另一个方法WaitBegin来等待蜘蛛程序进入“正式的”工作阶段。一般的调用次序是：先调用WaitBegin，再接着调用WaitDone，WaitDone将等待蜘蛛程序完成工作。下面是WaitBegin的代码：

  public void WaitBegin() 

            { 

            Monitor.Enter(this); 

            while ( !m_started ) 

            { 

            Monitor.Wait(this); 

            } 

            Monitor.Exit(this); 

            } 

  
WaitBegin方法将一直等待，直到m_started标记被设置。m_started标记是由WorkerBegin方法设置的。工作线程在开始处理各个URL之时，会调用WorkerBegin；处理结束时调用WorkerEnd。WorkerBegin和WorkerEnd这两个方法帮助Done对象确定当前的工作状态。下面是WorkerBegin方法的代码：

  public void WorkerBegin() 

            { 

            Monitor.Enter(this); 

            m_activeThreads++; 

            m_started = true; 

            Monitor.Pulse(this); 

            Monitor.Exit(this); 

            } 

WorkerBegin方法首先增加当前活动线程的数量，接着设置m_started标记，最后调用Pulse方法以通知（可能存在的）等待工作线程启动的线程。如前所述，可能等待Done对象的方法是WaitBegin方法。每处理完一个URL，WorkerEnd方法会被调用：

  public void WorkerEnd() 

            { 

            Monitor.Enter(this); 

            m_activeThreads--; 

            Monitor.Pulse(this); 

            Monitor.Exit(this); 

            } 

WorkerEnd方法减小m_activeThreads活动线程计数器，调用Pulse释放可能在等待Done对象的线程--如前所述，可能在等待Done对象的方法是WaitDone方法。