網(wǎng)絡(luò)蜘蛛技術(shù)在校園門(mén)戶網(wǎng)站中的設(shè)計(jì)與研究

摘要：本文主要對(duì)當(dāng)今較為流行的網(wǎng)絡(luò)編程技術(shù)網(wǎng)絡(luò)蜘蛛（web spider），結(jié)合校園網(wǎng)站實(shí)際環(huán)境進(jìn)行一次嘗試與研究。使用C#語(yǔ)言進(jìn)行設(shè)計(jì)與開(kāi)發(fā)，在實(shí)際開(kāi)發(fā)設(shè)計(jì)中通過(guò)解決其各類(lèi)難題，進(jìn)一步掌握其設(shè)計(jì)難點(diǎn)與要領(lǐng)，并對(duì)該技術(shù)有了進(jìn)一步了解。

關(guān)鍵詞：網(wǎng)絡(luò)蜘蛛（web spider） 校園門(mén)戶 多線程

中圖分類(lèi)號(hào)：P209 文獻(xiàn)標(biāo)識(shí)碼：Ａ文章編號(hào)：1674-098X(2012)3(c)-0000-00

在互聯(lián)網(wǎng)高速發(fā)展的今天，互聯(lián)網(wǎng)已經(jīng)走進(jìn)了千家萬(wàn)戶，網(wǎng)絡(luò)上充斥著各種信息。如何高效、準(zhǔn)確的獲取我們所需要的信息，成為我們?cè)絹?lái)越關(guān)心的問(wèn)題。搜索引擎是解決這一問(wèn)題的主要方法。搜索引擎通過(guò)一定的策略在網(wǎng)絡(luò)中搜集信息，并完成對(duì)信息的提取和組織工作，最終為用戶提供信息信息檢索服務(wù)。搜索引擎主要包含三部分功能，信息采集、信息分類(lèi)、信息檢索。其中信息采集又叫網(wǎng)絡(luò)蜘蛛（web Spider），主要用來(lái)獲取網(wǎng)絡(luò)上的信息內(nèi)容。搜索引擎中的所有數(shù)據(jù)都是通過(guò)它來(lái)獲得的。

在校園門(mén)戶網(wǎng)站中也會(huì)用到網(wǎng)絡(luò)蜘蛛技術(shù)。與搜素引擎不同，校園門(mén)戶網(wǎng)站中的網(wǎng)絡(luò)蜘蛛所選取信息的范圍僅限定在本局域網(wǎng)內(nèi)部。信息量相對(duì)較少。通過(guò)網(wǎng)絡(luò)爬蟲(chóng)技術(shù)，學(xué)校門(mén)戶網(wǎng)站可以實(shí)現(xiàn)網(wǎng)絡(luò)動(dòng)態(tài)監(jiān)視，對(duì)網(wǎng)絡(luò)中的不良信息進(jìn)行及時(shí)篩查。也可以建立學(xué)校內(nèi)部的網(wǎng)絡(luò)智能搜索引擎，或是校內(nèi)網(wǎng)絡(luò)雷達(dá)。而這些都要依靠校園門(mén)戶網(wǎng)站的網(wǎng)絡(luò)蜘蛛技術(shù)。

1 網(wǎng)絡(luò)蜘蛛的搜索策略及c#開(kāi)發(fā)環(huán)境介紹

1.1 通用的網(wǎng)絡(luò)蜘蛛爬行策略主要有兩種方式：

（1）深度優(yōu)先策略：深度優(yōu)先就是只考慮連接的層次關(guān)系，將鏈接看成樹(shù)形結(jié)構(gòu)，深度優(yōu)先搜索就是先訪問(wèn)鏈接的一個(gè)分支，在回到鏈接樹(shù)的根節(jié)點(diǎn)訪問(wèn)另一個(gè)分支。這種方式有點(diǎn)在于容易設(shè)計(jì)以及可以及時(shí)搜索到某個(gè)鏈接下足夠深度的鏈接，缺點(diǎn)是個(gè)別層次較高的鏈接不能夠及時(shí)被訪問(wèn)，甚至訪問(wèn)不到，信息更新不及時(shí)。

（2）寬度優(yōu)先策略：寬度優(yōu)先就是以接近起始點(diǎn)的程度依次擴(kuò)展節(jié)點(diǎn)的逐層搜索，在對(duì)下一層的任意節(jié)點(diǎn)進(jìn)行搜索之前，必須完成本層的所有節(jié)點(diǎn)。此方法實(shí)現(xiàn)相對(duì)簡(jiǎn)單，缺點(diǎn)在于隨著抓取頁(yè)面逐漸增多，大量的無(wú)關(guān)頁(yè)面被下載，使得算法的效率變低。優(yōu)點(diǎn)在于搜索的頁(yè)面質(zhì)量較高。信息相對(duì)完整。

目前網(wǎng)絡(luò)蜘蛛技術(shù)中通常采用寬度優(yōu)先策略，從一個(gè)局部中盡可能得到多的頁(yè)面。多數(shù)搜索引擎都采用寬度搜索技術(shù)，主要解決數(shù)據(jù)采集的及時(shí)性，和完整性問(wèn)題。但信息采集量不能太多，否則將會(huì)影響采集效率。

1.2 Ｃ#開(kāi)發(fā)環(huán)境

C#是微軟發(fā)布的開(kāi)發(fā)平臺(tái).NET中的旗艦，是一種優(yōu)秀的編程語(yǔ)言，c#2.0開(kāi)發(fā)環(huán)境中集成了多線程并發(fā)訪問(wèn)及http頁(yè)面抓取技術(shù)。因此使我們網(wǎng)頁(yè)爬蟲(chóng)技術(shù)可以使用c#語(yǔ)言進(jìn)行開(kāi)發(fā)。需要使用到System.Threading包，和System.Net包。

2 設(shè)計(jì)與實(shí)現(xiàn)

2.1 網(wǎng)絡(luò)蜘蛛工作流程

首次運(yùn)行蜘蛛程序需要根據(jù)起始網(wǎng)頁(yè)，分析頁(yè)面的源文件，將頁(yè)面路徑（ＵＲＬ）放入隊(duì)列，把已處理過(guò)的頁(yè)面放入已完成隊(duì)列中。而后工作線程從待提取隊(duì)列中提取出新的ＵＲＬ進(jìn)行分析。依次循環(huán)。

若系統(tǒng)不是首次運(yùn)行，系統(tǒng)不用指定起始頁(yè)面，只需讀取保存在文本中的信息，然后繼續(xù)上次提取操作，從待抓取列表中取出連接繼續(xù)執(zhí)行。

2.2 網(wǎng)頁(yè)消重

網(wǎng)絡(luò)爬蟲(chóng)的爬行策略中的寬度優(yōu)先策略是目前普遍采取的一種網(wǎng)頁(yè)檢索策略，優(yōu)點(diǎn)是頁(yè)面檢索質(zhì)量較高，但其弊端就是頁(yè)面重復(fù)檢索較多。如果信息檢索范圍加大，將嚴(yán)重影響信息的檢索效率。重復(fù)的頁(yè)面不僅浪費(fèi)時(shí)間，而且會(huì)擠占磁盤(pán)空間。

目前較為流行的做法是使用布隆過(guò)濾器的方法來(lái)對(duì)網(wǎng)頁(yè)鏈接進(jìn)行消重。在網(wǎng)絡(luò)蜘蛛系統(tǒng)中，一個(gè)地址是否被訪問(wèn)過(guò)，最直接的方法就是將集合中全部的元素存在計(jì)算機(jī)中，當(dāng)進(jìn)入一個(gè)新元素時(shí)，將它與其他元素進(jìn)行比較，優(yōu)點(diǎn)是十分準(zhǔn)確，缺點(diǎn)是時(shí)間較長(zhǎng)。布隆過(guò)濾器一般用于大數(shù)據(jù)量的集合中判斷元素是否存在，其核心思想就是使用一個(gè)hash函數(shù)將一個(gè)url地址映射到位圖數(shù)組中某一位，如果該位已經(jīng)存在則為1，表示該url已被占。

哈希算法如下：

private void CreateHashes(string str)

{

int hash1 = str.GetHashCode();

int hash2 = HashString(str);

hashKeys[0] = Math.Abs(hash1 % hashbits.Count);

if (numKeys > 1)

{

for (int i = 1; i < numKeys; i++)

{

hashKeys[i] = Math.Abs((hash1 + (i * hash2))

% hashbits.Count);

}

}

}

2.3 html解析

Html解析器是用來(lái)分析蜘蛛程序遇到的每一個(gè)頁(yè)面，提取其中的鏈接信息，是頁(yè)面下載的前提。解析器的作用是識(shí)別HTML語(yǔ)言的各種標(biāo)記。具體代碼如下：

public string GetPageSource(string url)

{

Uri uri = new Uri(url);

HttpWebRequest MyReq = (HttpWebRequest)WebRequest.Create(uri);

HttpWebResponse MyRes = (HttpWebResponse)MyReq.GetResponse();

MyReq.Method = \"Post\";

MyReq.KeepAlive = 1;

StreamReader reader = new StreamReader(MyRes.GetResponseStream()， System.Text.Encoding.GetEncoding(\"GB2312\"));

return reader.ReadToEnd();

}

上述代碼的主要作用是獲取頁(yè)面的HTML代碼，并將其轉(zhuǎn)化成字符串輸出。

2.4 多線程

多線程技術(shù)主要作用是同時(shí)開(kāi)動(dòng)多個(gè)線程一起工作，共同采集網(wǎng)絡(luò)中的數(shù)據(jù)信息。提高信息采集的效率。多線程的工作問(wèn)題的難點(diǎn)就是線程結(jié)束是很難判斷。因?yàn)樗偸窃诓檎倚碌逆溄樱虼讼到y(tǒng)容易進(jìn)入死循環(huán)狀態(tài)。解決方法如下所示：

string url = \"\";

int times = 0;

while ( url == \"\" ) //要是沒(méi)有找到符合條件的記錄，則不斷地尋覓符合條件的記錄

{

url = getUrl.GetAUrl( …… ); //調(diào)用GetAUrl方法，試圖得到一個(gè)url值

if ( url == \"\" ) //要是沒(méi)有找到

{

times ++;//嘗試次數(shù)自增

continue; //進(jìn)行下一次嘗試

}

if ( times > N ) //要是已經(jīng)嘗試夠了次數(shù)，則退出進(jìn)程

{

downloadThread[i].Abort; //退出進(jìn)程

}

else//如果沒(méi)有嘗試夠次數(shù)

{

Times = 0; //嘗試次數(shù)歸零處理

}

//進(jìn)行下一步針對(duì)得到的Url的處理

}

3 結(jié)語(yǔ)

本文主要真對(duì)在校園網(wǎng)站中建設(shè)網(wǎng)絡(luò)蜘蛛系統(tǒng)，原理結(jié)構(gòu)均相對(duì)簡(jiǎn)單，沒(méi)有涉及到信息分類(lèi)檢索等問(wèn)題。因此只對(duì)網(wǎng)絡(luò)爬蟲(chóng)技術(shù)的檢索效率等問(wèn)題進(jìn)行了研究，該系統(tǒng)還有很多方面存在進(jìn)一步研究與探討的空間，如在動(dòng)態(tài)網(wǎng)站的圖片獲取，多線程的重復(fù)采集等問(wèn)題上還有很多地方需要繼續(xù)研究。

參考文獻(xiàn)

[1] 李曉明，閆宏飛，王建民 搜索引擎_原理 技術(shù)與系統(tǒng)[M] 北京科學(xué)出版社，2004.

[2] 李剛，盧炎生 教育網(wǎng) BBS 搜索引擎設(shè)計(jì)與實(shí)現(xiàn)[J] 微計(jì)算機(jī)信息，2006（6）.