使用 Async CTP 同时下载 HTML 页面

Question

尝试使用 Async CTP 编写 HTML 爬虫，但我一直不知道如何编写无递归方法来完成此任务。

这是我目前的代码。

private readonly ConcurrentStack<LinkItem> _LinkStack;
private readonly Int32 _MaxStackSize;
private readonly WebClient client = new WebClient();

Func<string, string, Task<List<LinkItem>>> DownloadFromLink = async (BaseURL, uri) => 
{
    string html = await client.DownloadStringTaskAsync(uri);
    return LinkFinder.Find(html, BaseURL);
};

Action<LinkItem> DownloadAndPush = async (o) => 
{
    List<LinkItem> result = await DownloadFromLink(o.BaseURL, o.Href);
    if (this._LinkStack.Count() + result.Count <= this._MaxStackSize)
    {
        this._LinkStack.PushRange(result.ToArray());
        o.Processed = true;
    }  
};

Parallel.ForEach(this._LinkStack, (o) => 
{
    DownloadAndPush(o);
});

但显然这并不像我希望的那样有效，因为在Parallel.ForEach 执行第一次（也是唯一一次迭代）时，我只有一项。我能想到的使ForEach 递归的最简单方法，但我不能（我不认为）这样做，因为我会很快耗尽堆栈空间。

谁能指导我如何重构此代码，以创建我将描述为添加项目的递归延续，直到达到MaxStackSize 或系统内存不足？

Answer 1

我认为使用 C# 5/.Net 4.5 执行此类操作的最佳方法是使用 TPL Dataflow。甚至还有a walkthrough on how to implement web crawler using it。

基本上，您创建一个“块”来负责下载一个 URL 并从中获取链接：

var cts = new CancellationTokenSource();

Func<LinkItem, Task<IEnumerable<LinkItem>>> downloadFromLink =
    async link =>
            {
                // WebClient is not guaranteed to be thread-safe,
                // so we shouldn't use one shared instance
                var client = new WebClient();
                string html = await client.DownloadStringTaskAsync(link.Href);

                return LinkFinder.Find(html, link.BaseURL);
            };

var linkFinderBlock = new TransformManyBlock<LinkItem, LinkItem>(
    downloadFromLink,
    new ExecutionDataflowBlockOptions
    { MaxDegreeOfParallelism = 4, CancellationToken = cts.Token });

您可以将MaxDegreeOfParallelism 设置为您想要的任何值。它说最多可以同时下载多少个 URL。如果完全不想限制，可以设置为DataflowBlockOptions.Unbounded。

然后您创建一个块以某种方式处理所有下载的链接，例如将它们全部存储在一个列表中。它还可以决定何时取消下载：

var links = new List<LinkItem>();

var storeBlock = new ActionBlock<LinkItem>(
    linkItem =>
    {
        links.Add(linkItem);
        if (links.Count == maxSize)
            cts.Cancel();
    });

由于我们没有设置MaxDegreeOfParallelism，它默认为1。这意味着在这里使用非线程安全的集合应该没问题。

我们再创建一个块：它将从linkFinderBlock 获取一个链接，并将其传递给storeBlock 并返回给linkFinderBlock。

var broadcastBlock = new BroadcastBlock<LinkItem>(li => li);

其构造函数中的 lambda 是一个“克隆函数”。如果您愿意，您可以使用它来创建该项目的克隆，但这里应该没有必要，因为我们不会在创建后修改 LinkItem。

现在我们可以将块连接在一起了：

linkFinderBlock.LinkTo(broadcastBlock);
broadcastBlock.LinkTo(storeBlock);
broadcastBlock.LinkTo(linkFinderBlock);

然后我们可以通过将第一项提供给linkFinderBlock（或broadcastBlock，如果您还想将其发送给storeBlock）来开始处理：

linkFinderBlock.Post(firstItem);

最后等到处理完成：

try
{
    linkFinderBlock.Completion.Wait();
}
catch (AggregateException ex)
{
    if (!(ex.InnerException is TaskCanceledException))
        throw;
}