如何用C#语言构造蜘蛛程序(2)

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http://myhost.com/images/logo.gif，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(l>0)
  outStream.Write(buffer,0,l);
  } while(l>0);
  
  
  
  　　写入整个文件之后，关闭输入流、输出流。
  
  outStream.Close();
  inStream.Close();
  
  
  
  　　比较而言，下载文本文件更容易一些。文本文件的内容类型总是以"text/"开头。假设文件已被下载并保存到了一个字符串，这个字符串可以用来分析网页包含的链接，当然也可以保存为磁盘上的文件。下面代码的任务就是保存文本文件。
  
  string filename = convertFilename( m_uri );
  StreamWriter outStream = new StreamWriter( filename );
  outStream.Write(buffer);
  outStream.Close();
  
  
  
  　　在这里，我们首先打开一个文件输出流，然后将缓冲区的内容写入流，最后关闭文件。