发布一款基于C#的网络爬虫程序
2010-01-05 15:52
357 查看
这是一款用 C# 编写的网络爬虫, 发布在:http://nwebcrawler.codeplex.com/。
主要特性有:
可配置:线程数、线程等待时间,连接超时时间,可爬取文件类型和优先级、下载目录等。
状态栏显示统计信息:排入队列URL数,已下载文件数,已下载总字节数,CPU使用率和可用内存等。
有偏好的爬虫:可针对爬取的资源类型设置不同的优先级。
健壮性:十几项URL正规化策略以排除冗余下载、爬虫陷阱避免策略的使用等、多种策略以解析相对路径等。
较好的性能:基于正则表达式的页面解析、适度加锁、维持HTTP连接等。
参见下面的截图:
今后有空可能加入的特性:
主要特性有:
可配置:线程数、线程等待时间,连接超时时间,可爬取文件类型和优先级、下载目录等。
状态栏显示统计信息:排入队列URL数,已下载文件数,已下载总字节数,CPU使用率和可用内存等。
有偏好的爬虫:可针对爬取的资源类型设置不同的优先级。
健壮性:十几项URL正规化策略以排除冗余下载、爬虫陷阱避免策略的使用等、多种策略以解析相对路径等。
较好的性能:基于正则表达式的页面解析、适度加锁、维持HTTP连接等。
参见下面的截图:
今后有空可能加入的特性:
新特性 | 介绍 |
爬取文件用Berkeley DB存储 | 提高性能: 常用操作系统不善于处理大量小文件 |
基于URL Ranking的优先级队列 | 主题爬虫: 机器学习算法对链接与主题相关度进行评估,并按照得出的优先级顺序进行爬取 |
爬虫礼仪 | 遵循爬虫禁止协议、以及避免对服务器资源的过度使用等 |
性能优化 | 用UDP取代封装好的HttpWebRequest/Response DNS缓存 异步的DNS地址解析 硬盘缓存或内存数据库以避免频繁的磁盘寻道 分布式爬虫以扩展单机能力(CPU、内存和硬盘访问) |
相关文章推荐
- 发布一款基于C#的网络爬虫程序
- 发布一款基于C#的网络爬虫程序
- 发布基于C#的网络爬虫程序 *版本1.0.1*
- 简易网络爬虫程序的开发(4)(c#版)
- 用C#开发蜘蛛网络爬虫采集程序(附源码)(二)
- 【开源下载】基于TCP网络通信的自动升级程序c#源码
- 用C#开发蜘蛛网络爬虫采集程序(附源码)(一)
- 使用C#实现基于TCP和UDP协议的网络通信程序的基本示例
- C#网络编程(一)------最简单的基于cs的sokect通讯程序
- 简易网络爬虫程序的开发(2)(c#版)
- 简易网络爬虫程序的开发(6)(c#版)
- 基于C#的网络SNIFFER网络IP层监听程序
- 用C#实现一个基于http的文件发布程序
- 基于Python的urllib2模块的多线程网络爬虫程序
- 简易网络爬虫程序的开发(5)(c#版)
- 简易网络爬虫程序的开发(1)(c#版)
- C#网络编程(一)------最简单的基于cs的sokect通讯程序
- autoPingV3.0官方发布:一款基于PING协议及TCP协议的网络设备在线状态监测报警软件
- 基于网络爬虫的全国气温排行程序/c++