爬了软件资料网址链接(怎么爬网站资源)

今天给各位分享爬了软件资料网址链接的知识,其中也会对怎么爬网站资源进行解释,如果能碰巧解决你现在面临的问题,别忘了关注本站,现在开始吧!

本文目录一览:

如何爬取某网站上的所有url链接

已经拿到了网页上的数据,那么可以通过正则的方式来检索网页的内容,把所有符合URL链接规范的都截取下来,java的我没做过,但是正则表达式是通用的,你可以搜一下这方面的资料。

爬了软件资料网址链接(怎么爬网站资源),爬了软件资料网址链接,信息,微信,1,第1张

怎样获取一个手机软件中的网址链接

如果软件中跳转的页面还是在本软件中显示的,你就只能看看这个软件本身有没有提供可选的菜单来【复制链接】或【在浏览器打开】,例如微信里的页面都提供了这样的选项,点击页面右上角的【...】就能看到;

如果跳转的页面是在浏览器中显示的,那你就可以在浏览器上方的地址栏直接复制这个网址链接了。

另外,你也可以试试直接长时间按住这个软件中的网址链接,看会不会弹出菜单选项,里面有没有复制链接或转发之类的选项。

爬虫 打开网址

C#特别适合于构造蜘蛛程序,这是因为它已经内置了HTTP访问和多线程的能力,而这两种能力对于蜘蛛程序来说都是非常关键的。下面是构造一个蜘蛛程序要解决的关键问题:

⑴ HTML分析:需要某种HTML解析器来分析蜘蛛程序遇到的每一个页面。

⑵ 页面处理:需要处理每一个下载得到的页面。下载得到的内容可能要保存到磁盘,或者进一步分析处理。

⑶ 多线程:只有拥有多线程能力,蜘蛛程序才能真正做到高效。

⑷ 确定何时完成:不要小看这个问题,确定任务是否已经完成并不简单,尤其是在多线程环境下。

一、HTML解析

本文提供的HTML解析器由ParseHTML类实现,使用非常方便:首先创建该类的一个实例,然后将它的Source属性设置为要解析的HTML文档:

ParseHTML parse = new ParseHTML();

parse.Source = "pHello World/p";

接下来就可以利用循环来检查HTML文档包含的所有文本和标记。通常,检查过程可以从一个测试Eof方法的while循环开始:

while(!parse.Eof())

{

char ch = parse.Parse();

Parse方法将返回HTML文档包含的字符--它返回的内容只包含那些非HTML标记的字符,如果遇到了HTML标记,Parse方法将返回0值,表示现在遇到了一个HTML标记。遇到一个标记之后,我们可以用GetTag()方法来处理它。

if(ch==0)

{

HTMLTag tag = parse.GetTag();

}

一般地,蜘蛛程序最重要的任务之一就是找出各个HREF属性,这可以借助C#的索引功能完成。例如,下面的代码将提取出HREF属性的值(如果存在的话)。

Attribute href = tag["HREF"];

string link = href.Value;

获得Attribute对象之后,通过Attribute.Value可以得到该属性的值。

二、处理HTML页面

下面来看看如何处理HTML页面。首先要做的当然是下载HTML页面,这可以通过C#提供的HttpWebRequest类实现:

HttpWebRequest request = (HttpWebRequest)WebRequest.Create(m_uri);

response = request.GetResponse();

stream = response.GetResponseStream();

接下来我们就从request创建一个stream流。在执行其他处理之前,我们要先确定该文件是二进制文件还是文本文件,不同的文件类型处理方式也不同。下面的代码确定该文件是否为二进制文件。

if( !response.ContentType.ToLower().StartsWith("text/") )

{

SaveBinaryFile(response);

return null;

}

string buffer = "",line;

如果该文件不是文本文件,我们将它作为二进制文件读入。如果是文本文件,首先从stream创建一个StreamReader,然后将文本文件的内容一行一行加入缓冲区。

reader = new StreamReader(stream);

while( (line = reader.ReadLine())!=null )

{

buffer+=line+"\r\n";

}

装入整个文件之后,接着就要把它保存为文本文件。

SaveTextFile(buffer);

下面来看看这两类不同文件的存储方式。

二进制文件的内容类型声明不以"text/"开头,蜘蛛程序直接把二进制文件保存到磁盘,不必进行额外的处理,这是因为二进制文件不包含HTML,因此也不会再有需要蜘蛛程序处理的HTML链接。下面是写入二进制文件的步骤。

首先准备一个缓冲区临时地保存二进制文件的内容。 byte []buffer = new byte[1024];

接下来要确定文件保存到本地的路径和名称。如果要把一个myhost.com网站的内容下载到本地的c:\test文件夹,二进制文件的网上路径和名称是,则本地路径和名称应当是c:\test\images\logo.gif。与此同时,我们还要确保c:\test目录下已经创建了images子目录。这部分任务由convertFilename方法完成。

string filename = convertFilename( response.ResponseUri );

convertFilename方法分离HTTP地址,创建相应的目录结构。确定了输出文件的名字和路径之后就可以打开读取Web页面的输入流、写入本地文件的输出流。

Stream outStream = File.Create( filename );

Stream inStream = response.GetResponseStream();

接下来就可以读取Web文件的内容并写入到本地文件,这可以通过一个循环方便地完成。

int l;

do

{

l = inStream.Read(buffer,0,

buffer.Length);

if(l0)

outStream.Write(buffer,0,l);

} while(l0);

三、多线程

我们用DocumentWorker类封装所有下载一个URL的操作。每当一个DocumentWorker的实例被创建,它就进入循环,等待下一个要处理的URL。下面是DocumentWorker的主循环:

while(!m_spider.Quit )

{

m_uri = m_spider.ObtainWork();

m_spider.SpiderDone.WorkerBegin();

string page = GetPage();

if(page!=null)

ProcessPage(page);

m_spider.SpiderDone.WorkerEnd();

}

这个循环将一直运行,直至Quit标记被设置成了true(当用户点击"Cancel"按钮时,Quit标记就被设置成true)。在循环之内,我们调用ObtainWork获取一个URL。ObtainWork将一直等待,直到有一个URL可用--这要由其他线程解析文档并寻找链接才能获得。Done类利用WorkerBegin和WorkerEnd方法来确定何时整个下载操作已经完成。

从图一可以看出,蜘蛛程序允许用户自己确定要使用的线程数量。在实践中,线程的最佳数量受许多因素影响。如果你的机器性能较高,或者有两个处理器,可以设置较多的线程数量;反之,如果网络带宽、机器性能有限,设置太多的线程数量其实不一定能够提高性能。

四、任务完成了吗?

利用多个线程同时下载文件有效地提高了性能,但也带来了线程管理方面的问题。其中最复杂的一个问题是:蜘蛛程序何时才算完成了工作?在这里我们要借助一个专用的类Done来判断。

首先有必要说明一下"完成工作"的具体含义。只有当系统中不存在等待下载的URL,而且所有工作线程都已经结束其处理工作时,蜘蛛程序的工作才算完成。也就是说,完成工作意味着已经没有等待下载和正在下载的URL。

Done类提供了一个WaitDone方法,它的功能是一直等待,直到Done对象检测到蜘蛛程序已完成工作。下面是WaitDone方法的代码。

public void WaitDone()

{

Monitor.Enter(this);

while ( m_activeThreads0 )

{

Monitor.Wait(this);

}

Monitor.Exit(this);

}

WaitDone方法将一直等待,直到不再有活动的线程。但必须注意的是,下载开始的最初阶段也没有任何活动的线程,所以很容易造成蜘蛛程序一开始就立即停止的现象。为解决这个问题,我们还需要另一个方法WaitBegin来等待蜘蛛程序进入"正式的"工作阶段。一般的调用次序是:先调用WaitBegin,再接着调用WaitDone,WaitDone将等待蜘蛛程序完成工作。下面是WaitBegin的代码:

public void WaitBegin()

{

Monitor.Enter(this);

while ( !m_started )

{

Monitor.Wait(this);

}

Monitor.Exit(this);

}

WaitBegin方法将一直等待,直到m_started标记被设置。m_started标记是由WorkerBegin方法设置的。工作线程在开始处理各个URL之时,会调用WorkerBegin;处理结束时调用WorkerEnd。WorkerBegin和WorkerEnd这两个方法帮助Done对象确定当前的工作状态。下面是WorkerBegin方法的代码:

public void WorkerBegin()

{

Monitor.Enter(this);

m_activeThreads++;

m_started = true;

Monitor.Pulse(this);

Monitor.Exit(this);

}

WorkerBegin方法首先增加当前活动线程的数量,接着设置m_started标记,最后调用Pulse方法以通知(可能存在的)等待工作线程启动的线程。如前所述,可能等待Done对象的方法是WaitBegin方法。每处理完一个URL,WorkerEnd方法会被调用:

public void WorkerEnd()

{

Monitor.Enter(this);

m_activeThreads--;

Monitor.Pulse(this);

Monitor.Exit(this);

}

WorkerEnd方法减小m_activeThreads活动线程计数器,调用Pulse释放可能在等待Done对象的线程--如前所述,可能在等待Done对象的方法是WaitDone方法。

关于爬了软件资料网址链接和怎么爬网站资源的介绍到此就结束了,不知道你从中找到你需要的信息了吗 ?如果你还想了解更多这方面的信息,记得收藏关注本站。


【免责声明】:

本站所发布的一切资源仅限用于学习和研究目的;不得将上述内容用于商业或者非法用途,否则,一切后果请用户自负。本站信息来自网络,版权争议与本站无关。您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容。如果您喜欢该程序,请支持正版软件,购买注册,得到更好的正版服务。

【关于转载】:

本站尊重互联网版权体系,本站部分图片、文章大部分转载于互联网、所有内容不代表本站观点、不对文章中的任何观点负责、转载的目的只用于给网民提供信息阅读,无任何商业用途,所有内容版权归原作者所有
如本站(文章、内容、图片、视频)任何资料有侵权,先说声抱歉;麻烦您请联系请后台提交工单,我们会立即删除、维护您的权益。非常感谢您的理解。

【附】:

二○○二年一月一日《计算机软件保护条例》第十七条规定:为了学习和研究软件内含的设计思想和原理,通过安装、显示、传输或者存储软件等方式使用软件的,可以不经软件著作权人许可,不向其支付报酬!鉴于此,也希望大家按此说明研究软件!

注:本站资源来自网络转载,版权归原作者和公司所有,如果有侵犯到您的权益,请第一时间联系我们处理!

-----------------------------------------------------------------------------------------------------------

【版权声明】:

一、本站致力于为源码爱好者提供国内外软件开发技术和软件共享,着力为用户提供优资资源。
二、本站提供的源码下载文件为网络共享资源,请于下载后的24小时内删除。如需体验更多乐趣,还请支持正版。
三、如有内容侵犯您的版权或其他利益的,请编辑邮件并加以说明发送到站长邮箱。站长会进行审查之后,情况属实的会在三个工作日内为您删除。
-----------------------------------------------------------------------------------------------------------



源码村资源网 » 爬了软件资料网址链接(怎么爬网站资源)
您需要 登录账户 后才能发表评论

发表评论

欢迎 访客 发表评论