注册 | 登录
欢迎注册会员

当前位置:首页 > 系统知识 > 系统线程知识 > 正文

抢先式多线程网络蜘蛛

来源:程序人生 【 】 浏览:5902 添加日期:2010-05-28 02:09:38 我要评论(0)
抢先式多线程网络蜘蛛


作者:Sim Ayers 翻译:刘建强 

Win32 API 支持抢先式多线程网络,这是编写MFC网络蜘蛛非常有用的地方。SPIDER工程(程序)是一个如何用抢先式多线程技术实现在网上用网络蜘蛛/机器人聚集信息的程序。 

该工程产生一个象蜘蛛一样行动的程序,该程序为断开的URL链接检查WEB站点。链接验证仅在href指定的链接上进行。它在一列表视图CListView中显示不断更新的URL列表,以反映超链接的状态。本工程能用作收集、索引信息的模板,该模板将这些信息存入到可以用于查询的数据库文件中。 

搜索引擎在WEB上使用叫作Robots(也叫爬虫,蜘蛛,蠕虫,漫步者,滑行者等等)的程序收集信息,它从WEB上自动地聚集和索引信息,接着将这些信息存入数据库。(注意:一个机器人将搜索一个页面,然后把这个页面上的链接作为将要索引的新的URL的起点)用户可创建查询去查询这些数据库以发现他们需要的信息。 

通过抢先式多线程地使用,你能索引一个基于URL链接的WEB页面,启动一个新的线程跟随每个新的URL链接,索引一个新的URL起点。本工程使用和自定义的MDI子框架一起使用的MDI 文档类,在下载WEB页面时显示一个编辑视图,在检查URL连接时显示一个列表视图。另外,本工程使用了CObArray,CInternetSession,CHttpConnection,ChttpFile和CWinThread MFC类。CWinThread类用于产生多线程来代替在CInternetSession类中的异步模式,这种模式是从insock的16位windows平台保留下来的。SPIDER工程使用简单的工作线程去检查URL链接,或者下载一个Web页面。CSpiderThread类是从CWinThread类中派生的,所以,每个CSpiderThread对象可以使用CWinThread 的MESSAGE_MAP()函数。通过在CSpiderThread类中声明"DECLARE_MESSAGE_MAP()",用户接口可以响应用户的输入。这意味着你可以在一个Web服务器上检查URL链接的同时,你可以从另一个Web服务器上下载或打开一个Web页面。只有在线程数超过定义为64的MAXIMUM_WAIT_OBJECTS时,用户接口将不会响应用户的输入。在每个CSpiderThread对象的构造函数中,我们提供了ThreadProc函数以及将传送到ThreadProc函数的线程参数。 

CSpiderThread* pThread; 
pThread = NULL; 
pThread = new CSpiderThread(CSpiderThread::ThreadFunc,pThreadParams); // 创建一个新的 CSpiderThread 对象; 

在类CSpiderThread 构造函数中我们在线程参数中设置指针CWinThread* m_pThread ,于是我们可以指向这个线程正确的事例: 
pThreadParams->m_pThread = this; 

The CSpiderThread ThreadProc Function 

// 简单的工作线程函数 
UINT CSpiderThread::ThreadFunc(LPVOID pParam) 

ThreadParams * lpThreadParams = (ThreadParams*) pParam; 
CSpiderThread* lpThread = (CSpiderThread*) lpThreadParams->m_pThread; 

lpThread->ThreadRun(lpThreadParams); 

// 这里使用SendMessage代替PostMessageUse,以保持当前线程数同步。 
// 如果线程数大于 MAXIMUM_WAIT_OBJECTS (64), 本程序将变得不能响应用户输入 

::SendMessage(lpThreadParams->m_hwndNotifyProgress, 
WM_USER_THREAD_DONE, 0, (LPARAM)lpThreadParams); 
// 删除lpThreadParams 和减少线程总数 

return 0; 


这个结构传递给CSpiderThread ThreadProc函数 
typedef struct tagThreadParams 

HWND m_hwndNotifyProgress; 
HWND m_hwndNotifyView; 
CWinThread* m_pThread; 
CString m_pszURL; 
CString m_Contents; 
CString m_strServerName; 
CString m_strObject; 
CString m_checkURLName; 
CString m_string; 
DWORD m_dwServiceType; 
DWORD m_threadID; 
DWORD m_Status; 
URLStatus m_pStatus; 
INTERNET_PORT m_nPort; 
int m_type; 
BOOL m_RootLinks; 

}ThreadParams; 

CSpiderThread对象创建后,我们用CreatThread函数开始一个新的线程对象地执行。 

if (!pThread->CreateThread()) //开始一 CWinThread 对象地执行 

AfxMessageBox("Cannot Start New Thread"); 
delete pThread; 
pThread = NULL; 
delete pThreadParams; 
return FALSE; 

一旦新的线程正在运行,我们使用::SengMessage函数发送消息到 CDocument’s-> CListView ,这个消息带有URL链接的状态结构。 
if(pThreadParams->m_hwndNotifyView != NULL) 
::SendMessage(pThreadParams->m_hwndNotifyView,WM_USER_CHECK_DONE, 0, (LPARAM) &pThreadParams->m_pStatus); 

URL状态的结构: 

typedef struct tagURLStatus 

CString m_URL; 
CString m_URLPage; 
CString m_StatusString; 
CString m_LastModified; 
CString m_ContentType; 
CString m_ContentLength; 
DWORD m_Status; 
}URLStatus, * PURLStatus; 

每个新的线程建立一个新的CMyInternetSession类(派生于CInternetSession)对象,并把 EnableStatusCallback设置为TRUE,于是,我们可以在所有的InternetSession回调时检查状态。将回调使用的dwContext ID设置为线程ID。 

BOOL CInetThread::InitServer() 


try 

m_pSession = new CMyInternetSession(AgentName,m_nThreadID); 
int ntimeOut = 30; // 很重要!如果设置太小回引起服务器超时,如果设置太大则回引起线程挂起。 
/* 
网络连接请求时间超时值在数毫秒级。如果连接请求时间超过这个超时值,请求将被取消。 
缺省的超时值是无限的。 
*/ 
m_pSession->SetOption(INTERNET_OPTION_CONNECT_TIMEOUT,1000* ntimeOut); 

/* 在重试连接之间的等待的延时值在毫秒级。*/ 
m_pSession->SetOption(INTERNET_OPTION_CONNECT_BACKOFF,1000); 

/* 在网络连接请求时的重试次数。如果一个连接企图在指定的重试次数后仍失败,则请求被取消。 缺省值为5。 */ 
m_pSession->SetOption(INTERNET_OPTION_CONNECT_RETRIES,1); 
m_pSession->EnableStatusCallback(TRUE); 


catch (CInternetException* pEx) 

// catch errors from WinINet 
//pEx->ReportError(); 
m_pSession = NULL; 
pEx->Delete(); 
return FALSE ; 


return TRUE; 


在一个单或多线程程序中使用MFC WinIne类,关键是要在所有MFC WinInet类函数周围使用try和catch块。因为互连网有时很不稳定,或者你访问的Web页面已不存在,则这种情况下,将抛出一个CInternetException错误。 


try 

// some MFC WinInet class function 

catch (CInternetException* pEx) 

// catch errors from WinINet 
//pEx->ReportError(); 
pEx->Delete(); 
return FALSE ; 

最初线程数最大设置为64,你可以将它设置为从1到100的任何数。设置太高会使链接失败,意味着你将不得不重新检查URL链接。在/cgi-bin/目录下一个连续不断地迅猛地HTTP请求会使服务器崩溃。SPIDER 程序在1秒中发送四个HTTP请求,1分钟240个。这也将会使服务器崩溃。在任何服务器上你检查时放仔细一点。每个服务器都有一个请求Web文件的请求代理IP地址的日志。你或许会收到来自Web服务器管理员的龌龊的邮件。 


你可以为一些目录建立robots.txt 文件来防止这些目录被索引。这个机制通常用于保护/cgi-bin/ 目录。CGI脚本占用更多的要检索的服务器资源。当SPIDER程序检查URL链接时,它的目标是不太快地请求太多的文档。SPIDER程序坚持机器人拒绝的标准。这个标准是机器人开发者之间的协议,允许WWW站点限制URL上的机器人的请求。通过使用这个限制访问的标准,机器人将不检索Web服务器希望拒绝的任何文档。在检查根URL前,程序检查看是否有robots.txt文件在主目录下。如果SPIDER程序发现robots.txt文件,将放弃搜索。另外,程序也检查所有Web页面中的META标记。如果发现一个META标记,它的NAME="ROBOTS" CONTENT ="NOINDEX,NOFOLLOW",则不索引那个页面上的URL。 

创建: 
Windows 95 
MFC/VC++ 5.0 
WinInet.h 时间 9/25/97 
WinInet.lib 时间 9/16/97 
WinInet.dll 时间 9/18/97 


问题: 

允许 32,767 个URL 链接在 CListView 中。 
不能分析 URL的正确性 。 


资料: 
Internet tools - Fred Forester 
Multithreading Applications in Win32 
Win32 Multithreaded Programming 




你浏览的文章是 - 《抢先式多线程网络蜘蛛》!
文章出处:https://www.procedurelife.com/content/edeec.html
0% (0)
0% (0)
评论0
游客
1 2