动态ip

>

代理ip软件

>

换ip软件

>

HTTP代理

>
Socks5代理
黑核动态ip代理
您的位置: 首页 > 新闻资讯 > 正文

爬虫程序为什么都离不开代理ip软件

发布时间:2019-01-10 10:55:33 来源:黑核混拨ip代理

分享到

  c#爬虫程序,现在做爬虫抓取数据用什么程序最好,之前在知乎上有一位用户,只为证明c#是爬虫最好的程序而进行了大量的测试。那么写爬虫抓取数据一定会用到代理ip,黑核混拨ip代理软件代理ip对爬虫用户来说具体有什么优势。

  爬虫程序是Internet上一种很有用的程序,搜索引擎利用蜘蛛程序将Web页面收集到数据库,企业利用蜘蛛程序监视竞争对手的网站并跟踪变动,个人用户用蜘蛛程序下载Web页面以便脱机使用,开发者利用蜘蛛程序扫描自己的Web检查无效的链接……对于不同的用户,蜘蛛程序有不同的用途。那么,蜘蛛程序到底是怎样工作的呢?

  蜘蛛是一种半自动的程序,就象现实当中的蜘蛛在它的Web(蜘蛛网)上旅行一样,蜘蛛程序也按照类似的方式在Web链接织成的网上旅行。蜘蛛程序之所以是半自动的,是因为它总是需要一个初始链接(出发点),但此后的运行情况就要由它自己决定了,蜘蛛程序会扫描起始页面包含的链接,然后访问这些链接指向的页面,再分析和追踪那些页面包含的链接。从理论上看,最终蜘蛛程序会访问到Internet上的每一个页面,因为Internet上几乎每一个页面总是被其他或多或少的页面引用。

  本文介绍如何用C#语言构造一个蜘蛛程序,它能够把整个网站的内容下载到某个指定的目录,程序的运行界面如图一。你可以方便地利用本文提供的几个核心类构造出自己的蜘蛛程序。

  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:

  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。

  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。

  多线程:只有拥有多线程能力,蜘蛛程序才能真正做到高效。

  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

  C#语言本身不包含解析HTML的能力,但支持XML解析;不过,XML有着严格的语法,为XML设计的解析器对HTML来说根本没用,因为HTML的语法要宽松得多。为此,我们需要自己设计一个HTML解析器。本文提供的解析器是高度独立的,你可以方便地将它用于其它用C#处理HTML的场合。

  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:

  ParseHTMLparse=newParseHTML();

  parse.Source="

  HelloWorld";

  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())

  {

  charch=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)

  {

  HTMLTagtag=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)。

  Attributehref=tag["HREF"];

  stringlink=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:

  HttpWebRequestrequest=(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);

  returnnull;

  }

  stringbuffer="",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=newStreamReader(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=newbyte[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。

  stringfilename=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。

  StreamoutStream=File.Create(filename);

  StreaminStream=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。

  intl;

  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。

  stringfilename=convertFilename(m_uri);

  StreamWriteroutStream=newStreamWriter(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。

  三、多线程

  多线程使得计算机看起来就象能够同时执行一个以上的操作,不过,除非计算机包含多个处理器,否则,所谓的同时执行多个操作仅仅是一种模拟出来的效果--靠计算机在多个线程之间快速切换达到"同时"执行多个操作的效果。一般而言,只有在两种情况下多线程才能事实上提高程序运行的速度。第一种情况是计算机拥有多个处理器,第二种情况是程序经常要等待某个外部事件。

  对于蜘蛛程序来说,第二种情况正是它的典型特征之一,它每发出一个URL请求,总是要等待文件下载完毕,然后再请求下一个URL。如果蜘蛛程序能够同时请求多个URL,显然能够有效地减少总下载时间。

  为此,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();

  stringpage=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。

  publicvoidWaitDone()

  {

  Monitor.Enter(this);

  while(m_activeThreads>0)

  {

  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:

  publicvoidWaitBegin()

  {

  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:

  publicvoidWorkerBegin()

  {

  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:

  publicvoidWorkerEnd()

  {

  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。

  使用我们的黑核混拨ip代理有哪些优势?

  1分布式代理IP数万代理IP节点分布全国各个省市,IP段无重复。

  2支持多线程高并发使用。

  3家庭宽带线路所有资源均来自家庭宽带终端,IP绿色纯净,适用所有项目。

  4多项使用授权使用代理IP时需要用户名密码或IP白名单绑定,后台自由切换。

  5长效+HTTPS所有代理IP支持HTTPS协议,使用无需客户端支持,代理IP平均使用时长高达4小时


相关资讯

爬虫技术工程师为什么离不开ip代理

说到爬虫,自然离不开爬虫代理地址。爬虫是一门随着互联网大数据而应运而生的产物,它主要是为了在海量的网络数据中采集分析有效的数据而诞生的一门技术。无需多言,爬虫技

来源:黑核混拨ip加速器网

2018-12-28 15:24:23

为什么网络爬虫需要大量IP 有什么好用的IP切换软件

在爬虫的过程中,我们经常会遇见很多网站采取了防爬取技术,或者说因为自己采集网站信息的强度和采集速度太大,给对方服务器带去了太多的压力,所以你一直用同一个代理IP

来源:黑核混拨ip加速器网

2019-01-02 18:00:27

为什么要用ip代理软件来加强上网的隐私安全

你认为自己是互联网隐私大师吗?你去多远,以确保你在网上匿名?这里收集了十个提示的列表,每个隐私性网络应该知道(并遵循)的心。检查自己,看看这个列表,看看你的立场

来源:黑核混拨ip加速器网

2019-01-05 14:07:50

为什么说做营销时选付费代理ip软件好

在长期的营销人员的课每日必做的事情中,让这些营销人员感到无奈以及困扰的就是,进行点击流量的增加。从工作量来说,这工作量属于所有工作中最小,但是从工作的繁琐程度来

来源:黑核混拨ip加速器网

2019-01-07 10:21:36

为什么会诞生代理ip软件的 免费与收费代理ip软件区别

现在做网站最头痛的就是有人采集自己的网站,所以很多做网站的都会做防采集措施,或者封掉大量采集页面的ip,那么封掉ip这个对于采集的人来说就很痛苦了,直接不能访问

来源:黑核混拨ip加速器网

2019-01-07 13:36:28

为什么要选择代理ip软件来上网

相信很多人都对代理软件非常感兴趣,现在网上出现了很多的代理IP软件,这些软件的功能都差不多,对于有需要的人来说他们是有很多帮助的,我们在网上需要经常更换IP,如

来源:黑核混拨ip加速器网

2019-01-08 16:30:29

为什么要选择实用代理ip软件上网

网络是一把双刃剑,我们在网上浏览信息的时候既能够获得我们想要的东西,同时又会产生一定的危害,这是因为我们使用的IP地址有很大的隐患,黑客们可以通过你的IP地址搜

来源:黑核混拨ip加速器网

2019-01-08 17:45:58

黑核混拨ip加速器让电脑小白都能分分钟学会切换ip

出于商业需要、业务需求等各种原因目的,越来越多的人都在寻求大量的IP地址,最常见的方法莫过于花钱雇人、手动输入IP地址、使用IP代理软件等,其中,IP代理软件则

来源:黑核混拨ip加速器网

2019-01-08 10:51:05

换ip软件帮您解决ip被封烦恼!

换ip软件帮您解决ip被封烦恼!我想做互联网工作的基本上都需要换下ip吧,很多时候我们做推广经常被封账号,特别是同一个IP自问自答马上封你没商量,但是这些推广也

来源:黑核混拨IP网

2018-12-25 15:52:02

用了这些应用程序让您的iPhone更安全

2016年3月的苹果与联邦调查局的法庭案件明确表示,入侵iPhone并不容易。除了苹果公司在隐私方面的企业立场,设备本身还有一些保护功能,从密码和TouchID

来源:黑核混拨ip加速器网

2019-01-05 14:25:00

什么是ip代理软件?可以修改ip地址吗?

经常碰到朋友问,代理IP是做啥的,有什么用。我对他一顿解释,然后他还是云里雾里,好吧,可能是我口才不好,这里写文再解释下。代理IP对于很多人来说,用处很大,他们

来源:黑核混拨ip加速器网

2018-12-27 17:27:18

在线客服
大客户VIP渠道
点击这里给我发消息
讨论QQ群
客服电话
13318873961