Ncrawler源码阅读

Ncrawler是一个在codeplex上的.NET爬虫项目，项目是.net4.0的。里面充满了linq、lambda表达式。。。而我则习惯在.net2.0，所以代码阅读起来，真的是有点痛苦。没办法，一句话，死撑吧。另外发现一个linqbrige这个库，可以在.net2.0下实现linq to object的语法，支持lambda表达式，而且这个库的大小也只有几十kb，对于在2.0平台 的开发同胞们，对于一部分3.5,4.0的项目可以直接转换过来，改一个库引用就可以了，命名空间都一样，不过只是对于linq to obect的项目，而to sql ,to xml则不行。

言归正传，回到Ncrawler项目吧!

我准备按照爬虫的功能模块来分析，这样我觉得方面理解和记忆。（摸着石头过河吧，可能许多地方理解有误）

组件？扩展？服务？这3种概念有时候比较难以区分，我也不怎么明白。。。

就用作者的service[服务]吧。

Ncrawler用autofac这个ioc容器 的管理这些服务（aotufac这个中文资料很少，我也不理解，不做详细讨论）

程序里面的使用时如下：

注册模块：

using Autofac;
using Autofac.Core.Lifetime;
public static void Setup(params Module[] modules)
{
        ContainerBuilder builder = new ContainerBuilder();
        modules.ForEach(module => builder.RegisterModule(module));
        Container = builder.Build();
}

取出：

m_CrawlerQueue = m_LifetimeScope.Resolve<ICrawlerQueue>(parameters);

哎，扩展方法这玩意还真有点不适应~上面的代码就是从容器中取出插件的实例。。。没怎么看明白

现在大概的介绍一下Module的主要继承者吧，作者给他们都加了个service后缀.

1 .CrawlerRulesService:ICrawlerRules

    这个是规则模块，也就是用来过滤URI的

 2.InMemoryCrawlerHistoryService : HistoryServiceBase

   用来保存历史uri,用来判断是否已经访问

3.InMemoryCrawlerQueueService : CrawlerQueueServiceBase

   这个很奇怪，从字面意思看，这个应该是个队列，可是内部却使用stack栈~用来存储CrawlerQueueEntry，有  CrawlStep（当前的链接），referrer（来源url）

而CrawlStep这个类，url，depth等

4.NativeTaskRunnerService : ITaskRunner

  里面还是用 的扩展方法,猜测功能是用task，异步执行委托

5.RobotService : IRobot

   读取robots.txt里面 的一些信息

6.WebDownloaderV2 : IWebDownloader

  下载页面的类，包括异步和同步方法，将相关信息，以及下载内容存在PropertyBag

。。。

Ncrawler一个设计PipelineStep管道非常好，

Crawler crawler, PropertyBag propertyBag);同理linux的管道，可以将上个step的结果作为下个step的源，而实现传递的介质则是（Crawler crawler, PropertyBag propertyBag）

这样我们就可以非常方便的进行扩展。

只是我第一次写源码阅读类，感觉写的不是很好，而且代码看的也是迷迷糊糊。还是理解力，悟性太差。多多指教，未完待续。以后着重对一些细节代码进行分析！