标签：amp .com dex link replace tool sina tle test
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：
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。
百度云网盘 链接：http://pan.baidu.com/s/1pKMfI8F 密码：3vzh
GJM :于 2016-11-16 转载自 http://www.cnblogs.com/Jiajun/archive/2012/06/17/2552458.html 如影响作者版权问题 请联系我 993056011@163.com
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。。。
标签：amp .com dex link replace tool sina tle test
原文地址：http://www.cnblogs.com/GJM6/p/6068782.html
