C# 爬虫框架实现 流程_各个类开发

目录链接：C# 爬虫框架实现 概述

　　对比通用爬虫结构，我将自己写的爬虫分为五个类实现：

Spider主类：负责设置爬虫的各项属性

Scheduler类：负责提供URL到下载类，接收URL并做去重

Downloader类：负责下载页面并提供下载到的HTML内容

PageProgress类：HTML解析类

Pipeline类：解决存储问题

下面一一介绍。主要介绍看代码中的注释，源代码在 C# 爬虫框架实现 概述 链接提供下载。

Spider主类

1. 目的：方便爬虫的设置，统一入口格式化。
2. 链式调用问题：即类似以下格式：

   spider.setScheduler(urlList)
            .setPageProgress(patterns, ".common_link/[href]")
            .setPipeline(new DisplayInConsole())
            .run();

   响应设置类可以通过返回类型为Spider解决链式调用。

Scheduler类

1. 目的：解决从哪里下载的问题。方法：设置urlDowning/urlDowned集合，以及去重
2. URL去重这一块是爬虫很核心的一块，但是我没有怎么写。一方面是因为有开源类库，一方面是因为我不想写分布式爬虫。我所想的，只是做一个精提取式的爬虫就行了。分布式爬虫需要投入的精力太多。

Downloader类

1. 目的：下载HTML源码类。
2. 注意网页编码格式
3. 下载到的HTML源码会另开线程并且转到PageProgress解析HTML。此处如果不适用多线程将会损失性能。
4. WebClient类很坑爹的没有发现超时控制方法。。改天找机会重写一下。。

PageProgress类

1. 目的：解决提取哪些内容的问题。方法：正则表达式/CSQuer开源类
2. 提取到的URL格式化问题
3. 解析内容的结构化问题

PipeLine类

1. 目的：决定存储到哪里。方法：派生类覆盖基类。逆变特性应该也可以，我没试
2. 只实现了存储到SQLserver的Spider数据库（需手动创建）和输出到终端两种方式