当前位置： 移动技术网 > IT编程>开发语言>c# > C#制作多线程处理强化版网络爬虫

C#制作多线程处理强化版网络爬虫

2019年07月18日  | 移动技术网IT编程  | 我要评论

上次做了一个帮公司妹子做了爬虫，不是很精致，这次公司项目里要用到，于是有做了一番修改，功能添加了网址图片采集，下载，线程处理界面网址图片下载等。

说说思路：首相获取初始网址的所有内容 在初始网址采集图片 去初始网址采集链接 把采集到的链接放入队列 继续采集图片，然后继续采集链接，无限循环

还是上图片大家看一下，

处理网页内容抓取跟网页网址爬取都做了改进，下面还是大家来看看代码，有不足之处，还请之处!

网页内容抓取htmlcoderequest,

网页网址爬取gethttplinks，用正则去筛选html中的links

图片抓取gethtmlimageurllist，用正则去筛选html中的img

都写进了一个封装类里面 httphelper

  /// <summary>  
    /// 取得html中所有图片的 url。  
    /// </summary>  
    /// <param name="shtmltext">html代码</param>  
    /// <returns>图片的url列表</returns> 
public static string htmlcoderequest(string url)
    {
      if (string.isnullorempty(url))
      {
        return "";
      }
      try
      {
        //创建一个请求
        httpwebrequest httprequst = (httpwebrequest)webrequest.create(url);
        //不建立持久性链接
        httprequst.keepalive = true;
        //设置请求的方法
        httprequst.method = "get";
        //设置标头值
        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;//是否允许302
        servicepointmanager.defaultconnectionlimit = 30;
        //获取响应
        httpwebresponse webres = (httpwebresponse)httprequst.getresponse();
        //获取响应的文本流
        string content = string.empty;
        using (system.io.stream stream = webres.getresponsestream())
        {
          using (system.io.streamreader reader = new streamreader(stream, system.text.encoding.getencoding("utf-8")))
          {
            content = reader.readtoend();
          }
        }
        //取消请求
        httprequst.abort();
        //返回数据内容
        return content;
      }
      catch (exception)
      {

        return "";
      }
    }
/// <summary>
    /// 提取页面链接
    /// </summary>
    /// <param name="html"></param>
    /// <returns></returns>
public static list<string> gethtmlimageurllist(string url)
    {
      string html = httphelper.htmlcoderequest(url);
      if (string.isnullorempty(html))
      {
        return new list<string>();
      }
      // 定义正则表达式用来匹配 img 标签  
      regex regimg = new regex(@"<img\b[^<>]*?\bsrc[\s\t\r\n]*=[\s\t\r\n]*[""']?[\s\t\r\n]*(?<imgurl>[^\s\t\r\n""'<>]*)[^<>]*?/?[\s\t\r\n]*>", regexoptions.ignorecase);

      // 搜索匹配的字符串  
      matchcollection matches = regimg.matches(html);
      list<string> surllist = new list<string>();

      // 取得匹配项列表  
      foreach (match match in matches)
        surllist.add(match.groups["imgurl"].value);
      return surllist;
    }


    /// <summary>
    /// 提取页面链接
    /// </summary>
    /// <param name="html"></param>
    /// <returns></returns>
    public static list<string> gethttplinks(string url)
    {
      //获取网址内容
      string html = httphelper.htmlcoderequest(url);
      if (string.isnullorempty(html))
      {
        return new list<string>();
      }
      //匹配http链接
      const string pattern2 = @"http(s)?://([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)?";
      regex r2 = new regex(pattern2, regexoptions.ignorecase);
      //获得匹配结果
      matchcollection m2 = r2.matches(html);
      list<string> links = new list<string>();
      foreach (match url2 in m2)
      {
        if (stringhelper.checkurlislegal(url2.tostring()) || !stringhelper.ispureurl(url2.tostring()) || links.contains(url2.tostring()))
          continue;
        links.add(url2.tostring());
      }
      //匹配href里面的链接
      const string pattern = @"(?i)<a\s[^>]*?href=(['""]?)(?!javascript|__dopostback)(?<url>[^'""\s*#<>]+)[^>]*>"; ;
      regex r = new regex(pattern, regexoptions.ignorecase);
      //获得匹配结果
      matchcollection m = r.matches(html);
      foreach (match url1 in m)
      {
        string href1 = url1.groups["url"].value;
        if (!href1.contains("http"))
        {
          href1 = global.weburl + href1;
        }
        if (!stringhelper.ispureurl(href1) || links.contains(href1)) continue;
        links.add(href1);
      }
      return links;
    }

这边下载图片有个任务条数限制，限制是200条。如果超过的话线程等待5秒，这里下载图片是异步调用的委托

public string downloadimg(string url)
    {
      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";
          //是否允许302
          request.allowautoredirect = true;
          webresponse response = request.getresponse();
          stream reader = response.getresponsestream();
          //文件名
          string afirstname = guid.newguid().tostring();
          //扩展名
          string alastname = url.substring(url.lastindexof(".") + 1, (url.length - url.lastindexof(".") - 1));
          filestream writer = new filestream(global.floderurl + afirstname + "." + alastname, filemode.openorcreate, fileaccess.write);
          byte[] buff = new byte[512];
          //实际读取的字节数
          int c = 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 "错误：地址" + url;
        }
      }
      return "错误：地址为空";
    }

话不多说，更多的需要大家自己去改进咯！欢迎读者来与楼主进行交流。

您可能感兴趣的文章:

如对本文有疑问， 点击进行留言回复！！

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网