抢先式多线程网络蜘蛛

W32 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。，本工程使用了CObArray,CInterSession,CHttpConnection,ChttpFile和CWThread MFC类。CWThread类用于产生多线程来代替在CInterSession类中的异步模式，这种模式是从sock的16位wdows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CWThread类中派生的，所以，每个CSpiderThread对象可以使用CWThread 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，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CWThread 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;

CWThread m_pThread;

CStrg m_pszURL;

CStrg m_Contents;

CStrg m_strServerName;

CStrg m_strObject;

CStrg m_checkURLName;

CStrg m_strg;

DWORD m_dwServiceType;

DWORD m_threadID;

DWORD m_Status;

URLStatus m_pStatus;

INTERNET_PORT m_nPort;

t m_type;

BOOL m_RootLks;

}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 CWThread 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

{

CStrg m_URL;

CStrg m_URLPage;

CStrg m_StatusStrg;

CStrg m_LastModified;

CStrg m_ContentType;

CStrg m_ContentLength;

DWORD m_Status;

}URLStatus, PURLStatus;

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

BOOL CIThread::InitServer()

{

try

{

m_pSession = new CMyInterSession(AgentName,m_nThreadID);

t 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 (CInterException pEx)

{

// catch errors from WINet

//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 WIne类，关键是要在所有MFC WI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CInterException错误。

try

{

// some MFC WI class function

}

catch (CInterException pEx)

{

// catch errors from WINet

//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-b/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-b/ 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。，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:

Wdows 95

MFC/VC++ 5.0

WI.h 时间 9/25/97

WI.lib 时间 9/16/97

WI.dll 时间 9/18/97

推火专家月光博客