Question

我创建了一个简单的网络抓取工具，但我想添加递归功能，以便打开的每个页面都可以获取此页面中的网址，但我不知道我该怎么做，我还要包括线程使它更快这是我的代码

namespace Crawler
{
    public partial class Form1 : Form
    {
        String Rstring;

        public Form1()
        {
            InitializeComponent();
        }

        private void button1_Click(object sender, EventArgs e)
        {

            WebRequest myWebRequest;
            WebResponse myWebResponse;
            String URL = textBox1.Text;

            myWebRequest =  WebRequest.Create(URL);
            myWebResponse = myWebRequest.GetResponse();//Returns a response from an Internet resource

            Stream streamResponse = myWebResponse.GetResponseStream();//return the data stream from the internet
                                                                       //and save it in the stream

            StreamReader sreader = new StreamReader(streamResponse);//reads the data stream
            Rstring = sreader.ReadToEnd();//reads it to the end
            String Links = GetContent(Rstring);//gets the links only

            textBox2.Text = Rstring;
            textBox3.Text = Links;
            streamResponse.Close();
            sreader.Close();
            myWebResponse.Close();




        }

        private String GetContent(String Rstring)
        {
            String sString="";
            HTMLDocument d = new HTMLDocument();
            IHTMLDocument2 doc = (IHTMLDocument2)d;
            doc.write(Rstring);

            IHTMLElementCollection L = doc.links;

            foreach (IHTMLElement links in  L)
            {
                sString += links.getAttribute("href", 0);
                sString += "/n";
            }
            return sString;
        }

Answer 1

我修复了你的GetContent方法，如下所示：从抓取的网页获取新链接：

public ISet<string> GetNewLinks(string content)
{
    Regex regexLink = new Regex("(?<=<a\\s*?href=(?:'|\"))[^'\"]*?(?=(?:'|\"))");

    ISet<string> newLinks = new HashSet<string>();    
    foreach (var match in regexLink.Matches(content))
    {
        if (!newLinks.Contains(match.ToString()))
            newLinks.Add(match.ToString());
    }

    return newLinks;
}

<强>更新

修正：正则表达式应该是regexLink。感谢@shashlearner指出这一点（我的错误）。

Answer 2

我使用Reactive Extension创建了类似的东西。

https://github.com/Misterhex/WebCrawler

我希望它可以帮到你。

Crawler crawler = new Crawler();

IObservable observable = crawler.Crawl(new Uri("http://www.codinghorror.com/"));

observable.Subscribe(onNext: Console.WriteLine, 
onCompleted: () => Console.WriteLine("Crawling completed"));

Answer 3

以下内容包括答案/建议。

我相信您应该使用dataGridView代替textBox，因为当您在GUI中查看它时，更容易看到找到的链接（网址）。

你可以改变：

textBox3.Text = Links;

到

 dataGridView.DataSource = Links;

现在提出问题，你没有包括：

using System.  "'s"

使用了哪些，因为如果我能够得到它们，我将不胜感激。

Answer 4

从设计的角度来看，我写了几个webcrawler。基本上，您希望使用堆栈数据结构实现深度优先搜索。您也可以使用广度优先搜索，但您可能会遇到堆栈内存问题。祝你好运。

C＃中的简单网络爬虫

4 个答案: