抢先式多线程网络蜘蛛

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

中华技术网整理发布 http://www.asfocus.com http://www.netqu.com