游戏技术文章

多线程带智能采集策略的采集系统 (线程池)

时间:2017-1-12 18:26:41  作者:棋牌资源网  来源:棋牌资源网  查看:8796  评论:0
内容摘要:去年年底的时候曾经发过一个数据采集器《网页数据采集器》,那是专门针对某一个网站来进行采集的,如果需要采集新的网站内容,就需要修改代码并重新编译。    昨晚完成了一个带智能策略的采集系统。其实,这个策略的方案三年前就想好了,那时候打算用VB做,做了一...
去年年底的时候曾经发过一个数据采集器网页数据采集器,那是专门针对某一个网站来进行采集的,如果需要采集新的网站内容,就需要修改代码并重新编译。

    昨晚完成了一个带智能策略的采集系统。其实,这个策略的方案三年前就想好了,那时候打算用VB做,做了一半就搁置了。现在用C#才终于把这个方案实现了。

    整个方案大概是这样的:

    需要建立一个AC数据库,MSSQL也行,有四个表:PageType用于记录页面的种类,比如列表页和详细页两类;Url表用于记录要采集的网址,另外还有一个字段TypeID标明该网址属于哪一种页面类型,比如是列表页还是详细页;Rule表记录着各种规则,主要有三个字段,FromTypeID源页类型,ToTypeID目的页类型,Pattern规则;CjPage用于存储采集到的网页内容,还包含网址和页面种类。

    采集策略的核心就在于规则库Rule。

    工作过程大概这样: 1,采集线程从Url表抽取一个网址,并马上在表中将其删除,为了防止冲突,这个过程需要用多线程同步解决; 2,用WebClient请求该网址的页面内容; 3,取得内容后,给线程池的线程来分析处理,本线程回到1,继续去Url表取下一个网址; 4,线程池在有空闲线程时,会调用分析函数ParsePage去处理上次获得的页面内容; 5,先到Rule中取所有FromTypeID为当前网址TypeID; 6,如果没有取到任何规则Rule,则将本页内容写入到CjPage中; 7,如果取到规则,那么遍历规则,为每条规则执行ParseUrl方法; 8,ParseUrl根据规则的Pattern匹配到页面内容中的所有网址,并记录到Url中,规则的ToTypeID就是Url的TypeID。

    至此,整个流程就完成了。下面举一个实际例子来说明一下:     我要截取动网开发者网络的所有ASP文章http://www.cndw.com/tech/asp/;     首先,在页面类型库中加入列表页和详细页两行,再把http://www.cndw.com/tech/asp/写入到Url中,页面类型是列表页;     其次,在Rule中加入两条规则:         一,从列表页取得详细页的网址FromTypeID=1  ToTypeID=2,Pattern是· <a href="([^>]*)" target=_blank>,这条规则将会识别列表页上的所有详细页的链接,并记入到Url中,TypeID是详细页;         二,从列表页取得列表页的网址FromTypeID=1  ToTypeID=1,Pattern是<a href='([^>]*)'>下一页<\/a>,这条规则将会取得当前列表页上的下一页的链接,并记入到Url中,TypeID还是列表页。     采集器工作时,如果采集的是详细页的内容,将会直接写入到CjPage中,因为没有FromTypeID=2的规则;而采集的是列表页的内容时,就要做两件事了,因为有两条FromTypeID=1的规则,一件事是识别当前列表页中所有文章的链接并存入Url,另一件事是识别下一列表页链接并存入Url。     由于规则具有递归性,使得采集器能递归采集到所有的文章。

    下面是一些核心源码(没有公开的都是一些数据层的添删改查的代码):

以下是代码片段:

using System; using System.Collections.Generic; using System.Text; using System.Net; using System.Threading; using CJData; using System.Text.RegularExpressions; using NLog;

namespace CJ {     /// <summary>     /// 写日志委托     /// </summary>     /// <param name="log"></param>     public delegate void WriteLogCallBack(String log);     /// <summary>     /// 采集     /// </summary>     public class CaiJi     {         private WebClient _wc;

        public WebClient Wc         {             get             {                 if (_wc == null) _wc = new WebClient();                 return _wc;             }         }         private Thread thread;

        public String Name = "";         public event WriteLogCallBack OnWriteLog;

        /// <summary>         /// 开始工作         /// </summary>         public void Start()         {             if (thread != null) return;             thread = new Thread(new ThreadStart(Work));             thread.Start();         }         /// <summary>         /// 停止工作         /// </summary>         public void Stop()         {             if (thread != null) thread.Abort();             thread = null;         }

        private void Work()         {             int times = 0;             while (times < 100)             {                 Url url = Url.SelectOne();                 try                 {                     if (url != null)                     {                         String page = Wc.DownloadString(url.UrlAddress);                         if (!String.IsNullOrEmpty(page))                         {                             OnWriteLog(Name + " 成功抓取:" + url.UrlAddress);                             times = 0;                             ThreadPool.QueueUserWorkItem(new WaitCallback(ParsePage), new Object[] { url, page });                         }                     }                     else                     {                         //OnWriteLog(Name + " 没有工作,休息半秒");                         times++;                         //没有工作,休息半秒                         Thread.Sleep(500);                     }                 }                 catch (ThreadAbortException e)                 {                     OnWriteLog(Name + " 外部终止");                     break;                 }                 catch (Exception e)                 {                     times++;                     OnWriteLog(Name + " 赚取" + url.UrlAddress + "出错,休息半秒。" + e.Message);                     Trace.WriteLine(url.UrlAddress);                     //出错,休息半秒                     Thread.Sleep(500);                 }             }             OnWriteLog(Name + " 完成!");         }

        private void ParsePage(Object state)         {             Object[] objs = (Object[])state;             Url url = objs[0] as Url;             String page = (String)objs[1];             IList<Rule> rs = Rule.SelectAll(Rule._.FromTypeID, url.TypeID);             //if (url.PageType.TypeName == "详细页")             if (rs == null || rs.Count < 1)             {                 CjPage cp = new CjPage();                 cp.CjTime = DateTime.Now;                 cp.Content = page;                 cp.Url = url.UrlAddress;                 cp.TypeID = url.TypeID;                 cp.Insert();             }             else             {                 foreach (Rule r in rs)                 {                     ParseUrl(url, r, page);                 }             }         }         private void ParseUrl(Url u, Rule r, String page)         {             Regex reg = new Regex(r.Pattern, RegexOptions.Compiled | RegexOptions.IgnoreCase);             MatchCollection ms = reg.Matches(page);             foreach (Match m in ms)             {                 Url url = new Url();                 url.TypeID = r.ToTypeID;                 url.UrlAddress = m.Groups[1].Value;                 if (!url.UrlAddress.StartsWith("http://"))                 {                     if (url.UrlAddress.Substring(0, 1) == "/")                     {                         url.UrlAddress = u.UrlAddress.Substring(0, u.UrlAddress.IndexOf("/", 8)) + url.UrlAddress;                     }                     else                     {                         if (u.UrlAddress.Substring(u.UrlAddress.Length - 1) == "/")                             url.UrlAddress = u.UrlAddress + url.UrlAddress;                         else                             if (u.UrlAddress.LastIndexOf("/") < u.UrlAddress.LastIndexOf("."))                                 url.UrlAddress = u.UrlAddress.Substring(0, u.UrlAddress.LastIndexOf("/") + 1) + url.UrlAddress;                             else                                 url.UrlAddress = u.UrlAddress + "/" + url.UrlAddress;                     }                 }                 url.Insert();             }         }     } }

 

以下是代码片段:

using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; using System.Drawing; using System.Text; using System.Windows.Forms; using System.Net;

namespace CJ {     public partial class Form1 : Form     {         public Form1()         {             InitializeComponent();         }

        CaiJi[] cjs;         private void button1_Click(object sender, EventArgs e)         {             Button btn = sender as Button;             if (btn.Text == "停止")             {                 foreach (CaiJi cj in cjs)                 {                     if (cj != null) cj.Stop();                 }                 cjs = null;                 btn.Text = "开始";                 return;             }

            richTextBox1.Text = "";             btn.Text = "停止";

            int k = 100;             if (!int.TryParse(textBox1.Text, out k)) k = 100;             cjs = new CaiJi[k];             for (int i = 0; i < cjs.Length; i++)             {                 cjs[i] = new CaiJi();                 cjs[i].Name = "线程" + i.ToString("00");                 cjs[i].OnWriteLog += new WriteLogCallBack(cj_OnWriteLog);             }             foreach (CaiJi cj in cjs)             {                 cj.Start();             }         }

        void cj_OnWriteLog(string log)         {             if (richTextBox1.InvokeRequired)             {                 richTextBox1.Invoke(new WriteLogCallBack(cj_OnWriteLog), new object[] { log });             }             else             {                 if (richTextBox1.Lines.Length > 3000) richTextBox1.Text = "";                 richTextBox1.Text = log + Environment.NewLine + richTextBox1.Text;             }         }     } }


标签:多线程带智能采集策略的采集系统 (线程池) 

欢迎加入VIP,【VIP售价:只要288元永久VIP会员】畅享商业棋牌游戏程序下载,点击开通!

下载说明


☉本站所有源码和资源均由站长亲自测试-绝对保证都可以架设,运营!
☉如源码和资源有损坏或所有链接均不能下载,请告知管理员,

☉本站软件和源码大部分为站长独资,资源购买和收集,放心下载!

☉唯一站长QQ:1004003180  [人格担保-本站注重诚信!]

☉购买建议E-mail:1004003180@qq.com   源码收购 E-mail:1004003180@qq.com    

☉本站文件解压密码  【文章内都自带解压密码,每个密码不同!】


本站提供的所有源码,均来源站长提供,仅学习交流 浙ICP备09009969号

由此产生不良后果和法律责任与本站无关,如果侵犯了您的版权,请来信告知 1004003180@qq.com 将及时更正和删除! 

Copyright © 2008-2024 棋牌资源网,你身边的棋牌资源下载站    All Rights Reserved