C#多線程網(wǎng)絡(luò)爬蟲

上次做了一個幫公司妹子做了爬蟲,不是很精致窿克,這次公司項目里要用到,于是有做了一番修改毛甲,功能添加了網(wǎng)址圖片采集年叮,下載,線程處理界面網(wǎng)址圖片下載等玻募。

說說思路:首相獲取初始網(wǎng)址的所有內(nèi)容?在初始網(wǎng)址采集圖片?去初始網(wǎng)址采集鏈接?把采集到的鏈接放入隊列?繼續(xù)采集圖片只损,然后繼續(xù)采集鏈接,無限循環(huán)

還是上代碼七咧!

處理網(wǎng)頁內(nèi)容抓取跟網(wǎng)頁網(wǎng)址爬取都做了改進(jìn)跃惫,下面還是大家來看看代碼,有不足之處艾栋,還請之處!

網(wǎng)頁內(nèi)容抓取HtmlCodeRequest,

網(wǎng)頁網(wǎng)址爬取GetHttpLinks爆存,用正則去篩選html中的Links

圖片抓取GetHtmlImageUrlList,用正則去篩選html中的Img

都寫進(jìn)了一個封裝類里面?HttpHelper

//////取得HTML中所有圖片的 URL蝗砾。//////HTML代碼///圖片的URL列表publicstaticstringHtmlCodeRequest(stringUrl)

{if(string.IsNullOrEmpty(Url))

{return"";

}try{//創(chuàng)建一個請求HttpWebRequest httprequst =(HttpWebRequest)WebRequest.Create(Url);//不建立持久性鏈接httprequst.KeepAlive =true;//設(shè)置請求的方法httprequst.Method ="GET";//設(shè)置標(biāo)頭值httprequst.UserAgent ="User-Agent:Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; .NET CLR 1.0.3705";

httprequst.Accept="*/*";

httprequst.Headers.Add("Accept-Language","zh-cn,en-us;q=0.5");

httprequst.ServicePoint.Expect100Continue=false;

httprequst.Timeout=5000;

httprequst.AllowAutoRedirect=true;//是否允許302ServicePointManager.DefaultConnectionLimit =30;//獲取響應(yīng)HttpWebResponse webRes =(HttpWebResponse)httprequst.GetResponse();//獲取響應(yīng)的文本流stringcontent =string.Empty;using(System.IO.Stream stream =webRes.GetResponseStream())

{using(System.IO.StreamReader reader =newStreamReader(stream, System.Text.Encoding.GetEncoding("utf-8")))

{

content=reader.ReadToEnd();

}

}//取消請求httprequst.Abort();//返回數(shù)據(jù)內(nèi)容returncontent;

}catch(Exception)

{return"";

}

}//////提取頁面鏈接/////////publicstaticList GetHtmlImageUrlList(stringurl)

{stringhtml =HttpHelper.HtmlCodeRequest(url);if(string.IsNullOrEmpty(html))

{returnnewList();

}//定義正則表達(dá)式用來匹配 img 標(biāo)簽Regex regImg =newRegex(@"]*?\bsrc[\s\t\r\n]*=[\s\t\r\n]*[""']?[\s\t\r\n]*(?[^\s\t\r\n""'<>]*)[^<>]*?/?[\s\t\r\n]*>", RegexOptions.IgnoreCase);//搜索匹配的字符串MatchCollection matches =regImg.Matches(html);

List sUrlList =newList();//取得匹配項列表foreach(Match matchinmatches)

sUrlList.Add(match.Groups["imgUrl"].Value);returnsUrlList;

}//////提取頁面鏈接/////////publicstaticList GetHttpLinks(stringurl)

{//獲取網(wǎng)址內(nèi)容stringhtml =HttpHelper.HtmlCodeRequest(url);if(string.IsNullOrEmpty(html))

{returnnewList();

}//匹配http鏈接conststringpattern2 =@"http(s)?://([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)?";

Regex r2=newRegex(pattern2, RegexOptions.IgnoreCase);//獲得匹配結(jié)果MatchCollection m2 =r2.Matches(html);

List links =newList();foreach(Match url2inm2)

{if(StringHelper.CheckUrlIsLegal(url2.ToString()) || !StringHelper.IsPureUrl(url2.ToString()) ||links.Contains(url2.ToString()))continue;

links.Add(url2.ToString());

}//匹配href里面的鏈接conststringpattern =@"(?i)]*?href=(['""]?)(?!javascript|__doPostBack)(?[^'""\s*#<>]+)[^>]*>"; ;

Regex r=newRegex(pattern, RegexOptions.IgnoreCase);//獲得匹配結(jié)果MatchCollection m =r.Matches(html);foreach(Match url1inm)

{stringhref1 = url1.Groups["url"].Value;if(!href1.Contains("http"))

{

href1= Global.WebUrl +href1;

}if(!StringHelper.IsPureUrl(href1) || links.Contains(href1))continue;

links.Add(href1);

}returnlinks;

}

這邊下載圖片有個任務(wù)條數(shù)限制先较,限制是200條。如果超過的話線程等待5秒悼粮,這里下載圖片是異步調(diào)用的委托

publicstringDownLoadimg(stringurl)

{if(!string.IsNullOrEmpty(url))

{try{if(!url.Contains("http"))

{

url= Global.WebUrl +url;

}

HttpWebRequest request=(HttpWebRequest)WebRequest.Create(url);

request.Timeout=2000;

request.UserAgent="User-Agent:Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; .NET CLR 1.0.3705";//是否允許302request.AllowAutoRedirect =true;

WebResponse response=request.GetResponse();

Stream reader=response.GetResponseStream();//文件名stringaFirstName =Guid.NewGuid().ToString();//擴(kuò)展名stringaLastName = url.Substring(url.LastIndexOf(".") +1, (url.Length - url.LastIndexOf(".") -1));

FileStream writer=newFileStream(Global.FloderUrl + aFirstName +"."+aLastName, FileMode.OpenOrCreate, FileAccess.Write);byte[] buff =newbyte[512];//實際讀取的字節(jié)數(shù)intc =0;while((c = reader.Read(buff,0, buff.Length)) >0)

{

writer.Write(buff,0, c);

}

writer.Close();

writer.Dispose();

reader.Close();

reader.Dispose();

response.Close();return(aFirstName +"."+aLastName);

}catch(Exception)

{return"錯誤:地址"+url;

}

}return"錯誤:地址為空";

}

話不多說闲勺,更多的需要大家自己去改進(jìn)咯!歡迎讀者來與樓主進(jìn)行交流扣猫。如果本文對您有參考價值菜循,歡迎幫博主點下文章下方的推薦,謝謝

下面源碼送上:嘿嘿要分的哦申尤!

http://download.csdn.net/detail/nightmareyan/9627215

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末癌幕,一起剝皮案震驚了整個濱河市衙耕,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌勺远,老刑警劉巖臭杰,帶你破解...
    沈念sama閱讀 212,816評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異谚中,居然都是意外死亡渴杆,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,729評論 3 385
  • 文/潘曉璐 我一進(jìn)店門宪塔,熙熙樓的掌柜王于貴愁眉苦臉地迎上來磁奖,“玉大人,你說我怎么就攤上這事某筐”却睿” “怎么了?”我有些...
    開封第一講書人閱讀 158,300評論 0 348
  • 文/不壞的土叔 我叫張陵南誊,是天一觀的道長身诺。 經(jīng)常有香客問我,道長抄囚,這世上最難降的妖魔是什么霉赡? 我笑而不...
    開封第一講書人閱讀 56,780評論 1 285
  • 正文 為了忘掉前任,我火速辦了婚禮幔托,結(jié)果婚禮上穴亏,老公的妹妹穿的比我還像新娘。我一直安慰自己重挑,他們只是感情好嗓化,可當(dāng)我...
    茶點故事閱讀 65,890評論 6 385
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著谬哀,像睡著了一般刺覆。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上史煎,一...
    開封第一講書人閱讀 50,084評論 1 291
  • 那天谦屑,我揣著相機(jī)與錄音,去河邊找鬼劲室。 笑死伦仍,一個胖子當(dāng)著我的面吹牛结窘,可吹牛的內(nèi)容都是我干的很洋。 我是一名探鬼主播,決...
    沈念sama閱讀 39,151評論 3 410
  • 文/蒼蘭香墨 我猛地睜開眼隧枫,長吁一口氣:“原來是場噩夢啊……” “哼喉磁!你這毒婦竟也來了谓苟?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,912評論 0 268
  • 序言:老撾萬榮一對情侶失蹤协怒,失蹤者是張志新(化名)和其女友劉穎涝焙,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體孕暇,經(jīng)...
    沈念sama閱讀 44,355評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡仑撞,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,666評論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了妖滔。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片隧哮。...
    茶點故事閱讀 38,809評論 1 341
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖座舍,靈堂內(nèi)的尸體忽然破棺而出沮翔,到底是詐尸還是另有隱情,我是刑警寧澤曲秉,帶...
    沈念sama閱讀 34,504評論 4 334
  • 正文 年R本政府宣布采蚀,位于F島的核電站,受9級特大地震影響承二,放射性物質(zhì)發(fā)生泄漏榆鼠。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 40,150評論 3 317
  • 文/蒙蒙 一亥鸠、第九天 我趴在偏房一處隱蔽的房頂上張望璧眠。 院中可真熱鬧,春花似錦读虏、人聲如沸责静。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,882評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽灾螃。三九已至,卻和暖如春揩徊,著一層夾襖步出監(jiān)牢的瞬間腰鬼,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 32,121評論 1 267
  • 我被黑心中介騙來泰國打工塑荒, 沒想到剛下飛機(jī)就差點兒被人妖公主榨干…… 1. 我叫王不留熄赡,地道東北人。 一個月前我還...
    沈念sama閱讀 46,628評論 2 362
  • 正文 我出身青樓齿税,卻偏偏與公主長得像彼硫,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,724評論 2 351

推薦閱讀更多精彩內(nèi)容

  • ¥開啟¥ 【iAPP實現(xiàn)進(jìn)入界面執(zhí)行逐一顯】 〖2017-08-25 15:22:14〗 《//首先開一個線程拧篮,因...
    小菜c閱讀 6,376評論 0 17
  • Spring Cloud為開發(fā)人員提供了快速構(gòu)建分布式系統(tǒng)中一些常見模式的工具(例如配置管理词渤,服務(wù)發(fā)現(xiàn),斷路器串绩,智...
    卡卡羅2017閱讀 134,638評論 18 139
  • http header 消息通常被分為4個部分:general header即頭部, request header...
    徐薇薇閱讀 31,994評論 0 5
  • 今日下樓的時候缺虐,碰巧遇到一位保潔員阿姨在掃樓梯,習(xí)慣性地避開礁凡,錯身時阿姨抬頭看到了我高氮,臉上帶著微笑地打招呼:上班去...
    亭子文閱讀 645評論 0 0
  • 終于度過難挨的兩天,一條后路被我狠狠地堵死了……看到研究生的插肩而過的尾巴漸行漸遠(yuǎn)顷牌,我開始了我的啟程纫溃,一條同樣充滿...
    范妮呆啦521閱讀 193評論 0 0