用C#实现网络爬虫（二）

上一篇《用C#实现网络爬虫（一）》我们实现了网络通信的部分，接下来继续讨论爬虫的实现

 

3. 保存页面文件

这一部分可简单可复杂，如果只要简单地把HTML代码全部保存下来的话，直接存文件就行了。

 1 private void SaveContents(string html, string url)
 2 {
 3     if (string.IsNullOrEmpty(html)) //判断html字符串是否有效
 4     {
 5         return;
 6     }
 7     string path = string.Format("{0}\\{1}.txt", _path, _index++); //生成文件名
 8 
 9     try
10     {
11         using (StreamWriter fs = new StreamWriter(path))
12         {
13             fs.Write(html); //写文件
14         }
15     }
16     catch (IOException ioe)
17     {
18         MessageBox.Show("SaveContents IO" + ioe.Message + " path=" + path);
19     }
20 
21     if (ContentsSaved != null)
22     {
23         _ui.Dispatcher.Invoke(ContentsSaved, path, url); //调用保存文件事件
24     }
25 }

第23行这里又出现了一个事件，是保存文件之后触发的，客户程序可以之前进行注册。

1 public delegate void ContentsSavedHandler(string path, string url);
2 
3 /// <summary>
4 /// 文件被保存到本地后触发
5 /// </summary>
6 public event ContentsSavedHandler ContentsSaved = null;

 

4. 提取页面链接

提取链接用正则表达式就能搞定了，不懂的可以上网搜。

下面的字符串就能匹配到页面中的链接

http://([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)?

详细见代码

 1 private string[] GetLinks(string html)
 2 {
 3     const string pattern = @"http://([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)?";
 4     Regex r = new Regex(pattern, RegexOptions.IgnoreCase); //新建正则模式
 5     MatchCollection m = r.Matches(html); //获得匹配结果
 6     string[] links = new string[m.Count]; 
 7 
 8     for (int i = 0; i < m.Count; i++)
 9     {
10         links[i] = m[i].ToString(); //提取出结果
11     }
12     return links;
13 }

5. 链接的过滤

不是所有的链接我们都需要下载，所以通过过滤，去掉我们不需要的链接

这些链接一般有：

• 已经下载的链接
• 深度过大的链接
• 其他的不需要的资源，如图片、CSS等

 1 //判断链接是否已经下载或者已经处于未下载集合中
 2 private bool UrlExists(string url) 
 3 {
 4     bool result = _urlsUnload.ContainsKey(url);
 5     result |= _urlsLoaded.ContainsKey(url);
 6     return result;
 7 }
 8 
 9 private bool UrlAvailable(string url)
10 {
11     if (UrlExists(url))
12     {
13         return false; //已经存在
14     }
15     if (url.Contains(".jpg") || url.Contains(".gif")
16         || url.Contains(".png") || url.Contains(".css")
17         || url.Contains(".js"))
18     {
19         return false; //去掉一些图片之类的资源
20     }
21     return true;
22 }
23 
24 private void AddUrls(string[] urls, int depth)
25 {
26     if (depth >= _maxDepth)
27     {
28         return; //深度过大
29     }
30     foreach (string url in urls)
31     {
32         string cleanUrl = url.Trim(); //去掉前后空格
33         cleanUrl = cleanUrl.TrimEnd(‘/‘); //统一去掉最后面的‘/‘
34         if (UrlAvailable(cleanUrl))
35         {
36             if (cleanUrl.Contains(_baseUrl))
37             {
38                 _urlsUnload.Add(cleanUrl, depth); //是内链，直接加入未下载集合
39             }
40             else
41             {
42                 // 外链处理
43             }
44         }
45     }
46 }

 第34行的_baseUrl是爬取的基地址，如http://news.sina.com.cn/，将会保存为news.sina.com.cn，当一个URL包含此字符串时，说明是该基地址下的链接；否则为外链。

 

_baseUrl的处理如下，_rootUrl是第一个要下载的URL

 1 /// <summary>
 2 /// 下载根Url
 3 /// </summary>
 4 public string RootUrl
 5 {
 6     get
 7     {
 8         return _rootUrl;
 9     }
10     set
11     {
12         if (!value.Contains("http://"))
13         {
14             _rootUrl = "http://" + value;
15         }
16         else
17         {
18             _rootUrl = value;
19         }
20         _baseUrl = _rootUrl.Replace("www.", ""); //全站的话去掉www
21         _baseUrl = _baseUrl.Replace("http://", ""); //去掉协议名
22         _baseUrl = _baseUrl.TrimEnd(‘/‘); //去掉末尾的‘/‘
23     }
24 }

至此，基本的爬虫功能实现就介绍完了。

最后附上源代码和DEMO程序，爬虫的源代码在Spider.cs中，DEMO是一个WPF的程序，Test里是一个控制台的单线程版版本。

PageExtractor.zip

 

在下一期中，我们将介绍一些提取出网页中有效信息的方法，敬请期待。。。