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。

private void SaveContents(string html, string url)
{
    if (string.IsNullOrEmpty(html)) //判断html字符串是否有效
    {
        return;
    }
    string path = string.Format("{0}\\{1}.txt", _path, _index++); //生成文件名

    try
    {
        using (StreamWriter fs = new StreamWriter(path))
        {
            fs.Write(html); //写文件
        }
    }
    catch (IOException ioe)
    {
        MessageBox.Show("SaveContents IO" + ioe.Message + " path=" + path);
    }

    if (ContentsSaved != null)
    {
        _ui.Dispatcher.Invoke(ContentsSaved, path, url); //调用保存文件事件
    }
}

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。

public delegate void ContentsSavedHandler(string path, string url);

/// <summary>
/// 文件被保存到本地后触发
/// </summary>
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

private string[] GetLinks(string html)
{
    const string pattern = @"http://([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)?";
    Regex r = new Regex(pattern, RegexOptions.IgnoreCase); //新建正则模式
    MatchCollection m = r.Matches(html); //获得匹配结果
    string[] links = new string[m.Count]; 

    for (int i = 0; i < m.Count; i++)
    {
        links[i] = m[i].ToString(); //提取出结果
    }
    return links;
}

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

//判断链接是否已经下载或者已经处于未下载集合中
private bool UrlExists(string url) 
{
    bool result = _urlsUnload.ContainsKey(url);
    result |= _urlsLoaded.ContainsKey(url);
    return result;
}

private bool UrlAvailable(string url)
{
    if (UrlExists(url))
    {
        return false; //已经存在
    }
    if (url.Contains(".jpg") || url.Contains(".gif")
        || url.Contains(".png") || url.Contains(".css")
        || url.Contains(".js"))
    {
        return false; //去掉一些图片之类的资源
    }
    return true;
}

private void AddUrls(string[] urls, int depth)
{
    if (depth >= _maxDepth)
    {
        return; //深度过大
    }
    foreach (string url in urls)
    {
        string cleanUrl = url.Trim(); //去掉前后空格
        cleanUrl = cleanUrl.TrimEnd('/'); //统一去掉最后面的'/'
        if (UrlAvailable(cleanUrl))
        {
            if (cleanUrl.Contains(_baseUrl))
            {
                _urlsUnload.Add(cleanUrl, depth); //是内链，直接加入未下载集合
            }
            else
            {
                // 外链处理
            }
        }
    }
}

 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

/// <summary>
/// 下载根Url
/// </summary>
public string RootUrl
{
    get
    {
        return _rootUrl;
    }
    set
    {
        if (!value.Contains("http://"))
        {
            _rootUrl = "http://" + value;
        }
        else
        {
            _rootUrl = value;
        }
        _baseUrl = _rootUrl.Replace("www.", ""); //全站的话去掉www
        _baseUrl = _baseUrl.Replace("http://", ""); //去掉协议名
        _baseUrl = _baseUrl.TrimEnd('/'); //去掉末尾的'/'
    }
}

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。。。