文档介绍：C#语言的爬虫程序
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();
   = "<p>Hello 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(!())
  {
  char ch = ();
  
  
  
   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 = ();
  }
  
  
  
   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 = ;
  
  
  
   获得Attribute对象之后,。
  
  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)(m_uri);
  response = ();
  stream = ();
  
  
  
   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( !().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 = ())!=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。 b