服务器之家

服务器之家 > 正文

C#制作多线程处理强化版网络爬虫

时间:2021-12-06 15:01     来源/作者:

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,

C#制作多线程处理强化版网络爬虫

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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
  /// <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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
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。

相关文章

热门资讯

yue是什么意思 网络流行语yue了是什么梗
yue是什么意思 网络流行语yue了是什么梗 2020-10-11
背刺什么意思 网络词语背刺是什么梗
背刺什么意思 网络词语背刺是什么梗 2020-05-22
2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全
2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全 2019-12-26
2021年耽改剧名单 2021要播出的59部耽改剧列表
2021年耽改剧名单 2021要播出的59部耽改剧列表 2021-03-05
苹果12mini价格表官网报价 iPhone12mini全版本价格汇总
苹果12mini价格表官网报价 iPhone12mini全版本价格汇总 2020-11-13
返回顶部