多线程带智能采集策略的采集系统

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; } } } }

posted on 2007-08-18 10:45 大石头 阅读(1999) 评论(10) 编辑 收藏

<!-- <rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:trackback="http://madskills.com/public/xml/rss/module/trackback/"> <rdf:Description rdf:about="http://www.cnblogs.com/nnhy/archive/2007/08/18/860656.html" dc:identifier="http://www.cnblogs.com/nnhy/archive/2007/08/18/860656.html" dc:title="多线程带智能采集策略的采集系统" trackback:ping="http://www.cnblogs.com/nnhy/services/trackbacks/860656.aspx" /> </rdf:RDF> --><script type="text/javascript"> //<![CDATA[ Sys.WebForms.PageRequestManager._initialize('AjaxHolder$scriptmanager1', document.getElementById('Form1')); Sys.WebForms.PageRequestManager.getInstance()._updateControls(['tAjaxHolder$UpdatePanel1'], [], [], 90); //]]> </script>

Feedback

# re: 多线程带智能采集策略的采集系统 2007-08-18 11:07 cnitsky.net

这些是次要的吧 主要的还是采集规则 回复 更多评论

# re: 多线程带智能采集策略的采集系统 2007-08-18 11:32 大石头

是的，我主要想说明的就是采集的策略设计。
我这样设计的策略，可以递归 回复 更多评论

# re: 多线程带智能采集策略的采集系统 2007-08-18 12:13 progame

智能体现在哪? 回复 更多评论

# re: 多线程带智能采集策略的采集系统 2007-08-18 13:01 dominic

没看出什么地方特别的。

还不如把程序发布了方便一些人。 回复 更多评论

# re: 多线程带智能采集策略的采集系统 2007-08-18 13:15 admi

很不错再接再历

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

专业中文站内全文搜索技术提供商
本站是专业的中文全文检索产品网站,本站提供了性价比很高的全文检索产品,可以使企业很容易的实现网站站内全文搜索功能
http://www.molchina.com 回复 更多评论

# re: 多线程带智能采集策略的采集系统 2007-08-18 13:16 T.t.T!Ck.

没看出哪里智能了？
就是因为应用了规则了？
但是不同的页面有不同的规则哦，虽然你这样做有点模板的味道，但是如果是根据单一内容自动生成正则表达式的话就够智能了
对于网页正文的抽取没有这么简单吧，连广告内容也采集回来这个可不是大家愿意看到的吖
如果是基于统计理论的信息抽取才算智能哦

一点愚见，多多指教 回复 更多评论

# re: 多线程带智能采集策略的采集系统 2007-08-19 00:09 overred

数据采集通用组件：OverredGatherCom发布（并附带使用demo）2007/08/08更新：支持集合值

http://www.cnblogs.com/overred/archive/2007/08/07/OverredGatherCom.html 回复 更多评论

# re: 多线程带智能采集策略的采集系统 2007-08-19 17:54 大石头

看到很多人关注的是我这个所谓的“智能”吧。

做过采集程序的人都应该知道，刚开始的时候，很多都是针对某些网站写的采集，所有规则，都是定好了的；到了后来，出现了根据ID列表采集、指定要 采集页面哪部分等较为智能的采集，但是，这些智能还是有非常大的局限性的。现在的很多采集程序，所能做到的最多的莫过于执行采集一个网页的某一部分内容 了，比如识别出一个网页哪里是标题，哪里是内容，这些已经没什么新意了，我也不多说。

文中我提到的智能，其实有点类似大学时候学的人工智能。使用者只需要指定规则，给出初始化条件，然后随着程序的执行，某些条件处理后，将会得到更多条件，而某些条件处理后，将会得到结果。

我这样做，尽管不是最好的，但是对于采集的页面，比起传统的方法来，已经好些了。

我非常赞同“T.t.T!Ck. ”的说法，基于统计理论，这个想法，我也想过，只是时间问题没有做出来。
一个页面，如果大量存在同样格式的数据，那么，就可以把这些判定为列表页，如果存在大量的内容，就可以判定为详细页。这样做，尽管不能涵盖全部，但也能应用到很多采集上去了。

没有做过采集的人，是很难看出这个“智能”的。

我写的程序，只是为了证实我这个想法是否可行，我不喜欢给出所有代码，抱歉！～ 回复 更多评论

# re: 多线程带智能采集策略的采集系统 2007-08-20 12:43 gongzhw

顶帖 别沉了

个人签名~~
---------------------------
惊爆支持ASP、ASP.NET2.0空间500M+SQL数据库100M 特惠价格：128一年
支持asp 300M 虚拟主机68一年
支持asp.net2.0 300M 虚拟主机88一年，快抢拉~~~~~
虚拟主机 网站空间 域名注册 主机托管 免费主机 免费空间 免费asp空间 免费虚拟主机
免费试用~~~

联系QQ:43909413
<a href=" http://www.myidc.info/webhost/stylehost.aspx">http://www.myidc.info/webhost/stylehost.aspx</a>
硬件配置图：
http://www.myidc.info/images/adyj.gif 回复 更多评论

# re: 多线程带智能采集策略的采集系统 2007-08-20 12:44 gongzhw

个人签名~~
---------------------------
惊爆支持ASP、ASP.NET2.0空间500M+SQL数据库100M 特惠价格：128一年
支持asp 300M 虚拟主机68一年
支持asp.net2.0 300M 虚拟主机88一年，快抢拉~~~~~
虚拟主机 网站空间 域名注册 主机托管 免费主机 免费空间 免费asp空间 免费虚拟主机
免费试用~~~

联系QQ:43909413
http://www.myidc.info/webhost/stylehost.aspx
硬件配置图：
http://www.myidc.info/images/adyj.gif 回复 更多评论