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();

parse.Source = "

Hello World

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+"rn";

}

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://dotnet.chinaitlab.com/UploadFiles_6597/200809/20080922105800148.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);

三、多线程

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();

string page = 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。

　　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。

public void WaitDone()

{

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：

public void WaitBegin()

{

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：

public void WorkerBegin()

{

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：

public void WorkerEnd()

{

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。

i = -100;while( i < 0 ){ i += x + y;}

会被优化为：

i = -100;t = x + y;while( i < 0 ){i += t;}

Generate Intrinsic Functions，使用内部函数替换一些函数调用(提高速度)；

Improve Float Consistency，浮点运算方面的优化；

Favor Small Code，程序(exe或dll)尺寸优化优先于代码速度优化；

Favor Fast Code，程序(exe或dll)代码速度优化优先于尺寸优化；

Frame-Pointer Omission，不使用帧指针，以提高函数调用速度；

Full Optimization，组合了几种参数，以生成最快的程序代码。

Inline function expansion，内联函数扩展的三种优化(使用内联可以节省函数调用的开销，加快程序速度)：Disable不使用内联；Only __inline，仅函数定义前有inline或__inline标记使用内联；Any Suitable，除了inline或__inline标记的函数外，编译器“觉得”应该使用内联的函数，都使用内联。

7)Precompiled Headers：预编译头文件的设置。使用预编译可以提高重复编译的速度。IDE一般将一些公共的、不大变动的头文件(比如afxwin.h等)集中放到stdafx.h中，这一部分代码就不必每次都重新编译(除非是Rebuild All)。

8)Preprocessor：预编译处理。可以定义/解除定义一些常量。Additional include directories，可以指定额外的包含目录，一般是相对于本项目的目录，如..\Include。

连接参数的设置。主要通过IDE的菜单项Project->Settings->Link页来完成。我们可以看到这一页的最下面Project Options中的内容，一般如下：

/nologo /subsystem:windows /incremental:yes /pdb:"Debug/WritingDlgTest.pdb"
/debug /machine:I386 /out:"Debug/WritingDlgTest.exe" /pdbtype:sept

下面我们分别来看一下Category中的各项设置。

1)General：一些总体设置。可以设置生成的文件路径、文件名；连接的库文件；Generate debug info，生成Debug信息到.PDB文件(具体格式可以在Category->Debug中设置)；Ignore All Default Libraries，放弃所有默认的库连接；Link Incrementally，通过生成. ILK文件实现递增式连接以提高后续连接速度，但一般这种方式下生成的文件(EXE或DLL)较大；Generate Mapfile，生成.MAP文件记录模块相关信息；Enable Profiling，这个参数通常与Generate Mapfile参数同时使用，而且如果产生Debug信息的话，不能用.PDB文件，而且必须用Microsoft Format。

2)Customize：这里可以进行使用程序数据库文件的设置。Force File Output ，强制产生输出文件(EXE或DLL)；Print Progress Messages，可以将连接过程中的进度信息输出到Output窗口。

3)Debug：设置是否生成调试信息，以及调试信息的格式。格式可以有Microsoft Format、COFF Format(Common Object File Format)和Both Formats三种选择；Separate Types，表示将Debug格式信息以独立的.PDB文件存放，还是直接放在各个源文件的.PDB文件中。选中的话，表示采用后者的方式，这种方式调试启动比较快。

4)Input：这里可以指定要连接的库文件，放弃连接的库文件。还可以增加额外的库文件目录，一般是相对于本项目的目录，如..\Lib。Force Symbol References，可以指定连接特定符号定义的库。

5)Output：Base Address可以改变程序默认的基地址(EXE文件默认为0x400000，DLL默认为x10000000)，操作系统装载一个程序时总是试着先从这个基地址开始。Entry-Point Symbol可以指定程序的入口地址，一般为一个函数名(且必须采用__stdcall调用约定)。一般Win32的程序，EXE的入口为WinMain，DLL的入口为DllEntryPoint；最好让连接器自动设置程序的入口点。默认情况下，通过一个C的运行时库函数来实现：控制台程序采用mainCRTStartup (或wmainCRTStartup)去调用程序的main (或wmain)函数；Windows程序采用WinMainCRTStartup (或 wWinMainCRTStartup)调用程序的WinMain (或 wWinMain，必须采用__stdcall调用约定)；DLL采用_DllMainCRTStartup调用DllMain函数(必须采用__stdcall调用约定)。Stack allocations，用以设置程序使用的堆栈大小(请使用十进制)，默认为1兆字节。Version Information告诉连接器在EXE或DLL文件的开始部分放上版本号。

值得注意的是，上面各个参数是大小写敏感的；在参数后加上“-”表示该参数无效；各个参数值选项有“*”的表示为该参数的默认值；可以使用页右上角的“Reset”按钮来恢复该页的所有默认设置。

其它一些参数设置

1)Project->Settings->General，可以设置连接MFC库的方式(静态或动态)。如果是动态连接，在你的软件发布时不要忘了带上MFC的DLL。

2)Project->Settings->Debug，可以设置调试时运行的可执行文件，以及命令行参数等。

3)Project->Settings->Custom Build，可以设置编译/连接成功后自动执行一些操作。比较有用的是，写COM时希望IDE对编译通过的COM文件自动注册，可以如下设置：

Description: Register COM
Commands: regsvr32 /s /c $(TargetPath)
echo regsvr32 exe.time > $(TargetDir)\$(TargetName).trg
Outputs: $(TargetDir)\$(TargetName).trg

4)Tools->Options->Directories，设置系统的Include、Library路径。

一些小窍门(针对Visual C++)

1)有时候，你可能在编译的时候，计算机突然非法关机了(可能某人不小心碰了电源或你的内存不稳定等原因)。当你重启机器后打开刚才的项目，重新进行编译，发现IDE会崩掉。你或许以为你的编译器坏了，其实不然(你试试编译其它项目，还是好的!)，你只要将项目的.ncb、.opt、.aps、.clw文件以及Debug、Release目录下的所有文件都删掉，然后重新编译就行了。

2)如果你想与别人共享你的源代码项目，但是把整个项目做拷贝又太大。你完全可以删掉以下文件：.dsw、.ncb、.opt、.aps、.clw、. plg文件以及Debug、Release目录下的所有文件。

3)当你的Workspace中包含多个Project的时候，你可能不能直观地、一眼看出来哪个是当前项目。可以如下设置：Tools->Options->Format，然后在Category中选择Workspace window，改变其默认的字体(比如设成Fixedsys)就行了。

4)如何给已有的Project改名字?将该Project关掉。然后以文本格式打开.dsp文件，替换原来的Project名字即可。

5)VC6对类成员的智能提示功能很有用，但有时候会失灵。你可以先关掉项目，将.clw和.ncb删掉，然后重新打开项目，点击菜单项View->ClassWizard，在弹出的对话框中按一下“Add All”按钮；重新Rebuild All。应该可以解决问题。