web-dev-qa-db-ja.com

C＃のシンプルなWebクローラー

簡単なWebクローラーを作成しましたが、開いたすべてのページでこのページのURLを取得できるように再帰関数を追加したいのですが、どうすればよいかわからず、スレッドを含めて作成したいですここでそれは私のコードです

namespace Crawler
{
    public partial class Form1 : Form
    {
        String Rstring;

        public Form1()
        {
            InitializeComponent();
        }

        private void button1_Click(object sender, EventArgs e)
        {

            WebRequest myWebRequest;
            WebResponse myWebResponse;
            String URL = textBox1.Text;

            myWebRequest =  WebRequest.Create(URL);
            myWebResponse = myWebRequest.GetResponse();//Returns a response from an Internet resource

            Stream streamResponse = myWebResponse.GetResponseStream();//return the data stream from the internet
                                                                       //and save it in the stream

            StreamReader sreader = new StreamReader(streamResponse);//reads the data stream
            Rstring = sreader.ReadToEnd();//reads it to the end
            String Links = GetContent(Rstring);//gets the links only

            textBox2.Text = Rstring;
            textBox3.Text = Links;
            streamResponse.Close();
            sreader.Close();
            myWebResponse.Close();




        }

        private String GetContent(String Rstring)
        {
            String sString="";
            HTMLDocument d = new HTMLDocument();
            IHTMLDocument2 doc = (IHTMLDocument2)d;
            doc.write(Rstring);

            IHTMLElementCollection L = doc.links;

            foreach (IHTMLElement links in  L)
            {
                sString += links.getAttribute("href", 0);
                sString += "/n";
            }
            return sString;
        }
c#web-crawler
10
Khaled Mohamed

GetContentメソッドを次のように修正して、クロールされたページから新しいリンクを取得します。

public ISet<string> GetNewLinks(string content)
{
    Regex regexLink = new Regex("(?<=<a\\s*?href=(?:'|\"))[^'\"]*?(?=(?:'|\"))");

    ISet<string> newLinks = new HashSet<string>();    
    foreach (var match in regexLink.Matches(content))
    {
        if (!newLinks.Contains(match.ToString()))
            newLinks.Add(match.ToString());
    }

    return newLinks;
}

更新済み

修正：正規表現はregexLinkである必要があります。これを指摘してくれた@shashlearnerに感謝します（私のタイプミス）。

8
Darius Kucinskas

私は Reactive Extension を使用して同様のものを作成しました。

https://github.com/Misterhex/WebCrawler

お役に立てれば幸いです。

Crawler crawler = new Crawler();

IObservable observable = crawler.Crawl(new Uri("http://www.codinghorror.com/"));

observable.Subscribe(onNext: Console.WriteLine, 
onCompleted: () => Console.WriteLine("Crawling completed"));
8
Misterhex

以下は回答/推奨事項を含みます。

dataGridViewの代わりにtextBoxを使用する必要があると思います。GUIで見ると、見つかったリンク（URL）を確認する方が簡単です。

あなたは変えることができます：

textBox3.Text = Links;

に

 dataGridView.DataSource = Links;

さて、質問のために、あなたは含まれていません：

using System.  "'s"

どれが使われたかわかりませんが、入手できれば幸いです。

2
Connor

設計の観点から、いくつかのWebクローラーを作成しました。基本的には、スタックデータ構造を使用して深さ優先検索を実装します。幅優先検索も使用できますが、スタックメモリの問題が発生する可能性があります。幸運を。

0
Tom