Question

尝试使用Async CTP编写HTML爬虫我遇到了如何编写无递归方法来实现此目的的问题。

这是我到目前为止的代码。

private readonly ConcurrentStack<LinkItem> _LinkStack;
private readonly Int32 _MaxStackSize;
private readonly WebClient client = new WebClient();

Func<string, string, Task<List<LinkItem>>> DownloadFromLink = async (BaseURL, uri) => 
{
    string html = await client.DownloadStringTaskAsync(uri);
    return LinkFinder.Find(html, BaseURL);
};

Action<LinkItem> DownloadAndPush = async (o) => 
{
    List<LinkItem> result = await DownloadFromLink(o.BaseURL, o.Href);
    if (this._LinkStack.Count() + result.Count <= this._MaxStackSize)
    {
        this._LinkStack.PushRange(result.ToArray());
        o.Processed = true;
    }  
};

Parallel.ForEach(this._LinkStack, (o) => 
{
    DownloadAndPush(o);
});

但显然这并不像我希望的那样有效，因为在Parallel.ForEach执行第一次（并且只有迭代）时我只有一项。我能想到的最简单的方法是使ForEach递归，但我不能（我不认为）这样做，因为我会快速耗尽堆栈空间。

有没有人可以指导我如何重构这段代码，创建我所描述的递归延续，添加项目直到达到MaxStackSize或系统内存耗尽？

Answer 1

我认为使用C＃5 / .Net 4.5做这样的事情的最佳方法是使用TPL Dataflow。甚至有a walkthrough on how to implement web crawler using it。

基本上，您创建了一个“块”，负责下载一个URL并从中获取链接：

var cts = new CancellationTokenSource();

Func<LinkItem, Task<IEnumerable<LinkItem>>> downloadFromLink =
    async link =>
            {
                // WebClient is not guaranteed to be thread-safe,
                // so we shouldn't use one shared instance
                var client = new WebClient();
                string html = await client.DownloadStringTaskAsync(link.Href);

                return LinkFinder.Find(html, link.BaseURL);
            };

var linkFinderBlock = new TransformManyBlock<LinkItem, LinkItem>(
    downloadFromLink,
    new ExecutionDataflowBlockOptions
    { MaxDegreeOfParallelism = 4, CancellationToken = cts.Token });

您可以将MaxDegreeOfParallelism设置为您想要的任何值。它最多可以同时下载多少个URL。如果您根本不想限制它，可以将其设置为DataflowBlockOptions.Unbounded。

然后，您创建一个块，以某种方式处理所有下载的链接，例如将它们全部存储在列表中。它还可以决定何时取消下载：

var links = new List<LinkItem>();

var storeBlock = new ActionBlock<LinkItem>(
    linkItem =>
    {
        links.Add(linkItem);
        if (links.Count == maxSize)
            cts.Cancel();
    });

由于我们没有设置MaxDegreeOfParallelism，因此默认为1.这意味着使用非线程安全的集合应该没关系。

我们再创建一个块：它会从linkFinderBlock获取一个链接，并将其传递给storeBlock并返回linkFinderBlock。

var broadcastBlock = new BroadcastBlock<LinkItem>(li => li);

构造函数中的lambda是“克隆函数”。如果您愿意，可以使用它来创建项目的克隆，但这里不需要它，因为我们在创建后不会修改LinkItem。

现在我们可以将块连接在一起：

linkFinderBlock.LinkTo(broadcastBlock);
broadcastBlock.LinkTo(storeBlock);
broadcastBlock.LinkTo(linkFinderBlock);

然后我们可以通过将第一项提供给linkFinderBlock（或broadcastBlock，如果您还要将其发送到storeBlock）来开始处理：

linkFinderBlock.Post(firstItem);

最后等到处理完成：

try
{
    linkFinderBlock.Completion.Wait();
}
catch (AggregateException ex)
{
    if (!(ex.InnerException is TaskCanceledException))
        throw;
}

使用Async CTP同时下载HTML页面

1 个答案: