http://www.ccw.com.cn 无锡市江南计算机技术研究所 杨剑新
有许多网络文件下载工具可以在Windows平台下很好地工作，如NetAnts、“网际快车”、TelePro等，还有像WebZip那样功能强大的离线浏览器。这些工具使我们可以在Windows环境下很轻松地下载网站上的文件、目录、网站的一部分，甚至整个网站。然而在Linux环境下，这类工具却很少。笔者通过自己的摸索，在集成开发环境KDevelop 1.2下实现了一个网站下载程序，它支持文件级的“多线程下载”和“断点续传”。下面本文分3部分介绍实现这一程序的基本技术。
基本原理
1．超级链接寻径算法
要想灵活地下载一个网站的全部或部分内容，程序就必需具备从用户指定的URL开始，沿着它所包含的超级链接遍历整个网站的能力。在这个基础上根据用户的限制，筛选出所要下载的文件。
从“图论”的角度分析，网站其实是一个由文件和超级链接组成的“连通有向图”。文件是图中的顶点，超级链接是有向边。我们需要对这个有向图进行“广度优先遍历”。为此，需要用一个队列URLQueue来存放待访问的目标。初始情况下，队列中只含有用户指定的那个URL。程序从队头取得下载目标的URL，如果它符合用户的限制，就下载它指向的文件。分析此文件，找出其中包括的超级链接，生成新的下载目标的URL，然后将它们插入到队列尾部。重复以上过程，直到队列中没有符合用户限制的URL为止。
由于网站是一个“连通有向图”，所以沿着超级链接，很可能回到已经访问过的文件。为了避免程序出现死循环，要登记已经访问过的目标。在分析下载文件的超级链接时，我们要将生成的新目标的URL与已经访问过的进行比较，剔除会造成重复访问的URL。为了提高查询速度，我们采用了“哈希表”来存放从队头取出的URL。“哈希函数”可以采用将URL中的字符作为整型值相加，然后模一个质数的简单方法来实现。在本文介绍的程序中使用了质数103。
2．多线程下载和断点续传
多线程下载和断点续传使用了同一个技术。HTTP协议允许客户端在向服务器端发送下载一个文件的GET请求时，使用“Range: bytes=a1－a2""选项，要求服务器只传送指定文件中从第a1个字节到a2个字节之间的部分内容。因此下载一个文件时，可以将其分成若干段，然后启动多个线程，同时与服务器建立链接，分别传送一个文件的多个部分。最后在本地将其拼接成一个完整的文件。由于从网上下载文件时，瓶颈是在服务器端和网络传输过程中，所以采用多线程同时下载将大大提高下载速度。
当文件传输因出现问题而中断时，程序可以将各个线程当前下载的进度和已经下载的内容当做“断点信息”保存到文件中。用户下一次下载同一目标时，程序可以根据文件中保留的断点信息下载上次未完成的部分，然后将整个文件拼接起来，完成下载工作。这种技术对于在经常“掉线”的情况下下载大文件非常有利。因此，在当前流行的下载软件中都采用了此项技术。
Linux如何启动线程
1.定义一个以void ＊为参数、返回void ＊的函数。例如，为了启动下载线程，需要定义如下函数：
void ＊ start(void ＊ arg)
{
((CWebCopy ＊) arg)－>DownLoad();
return arg;
}
2．在需要启动线程时，只要三条语句。例如，启动下载线程的代码如下：
＃include
pthread_t tid;
pthread_create(＆tid,NULL,start,arg);
部分程序的实现
由于篇幅有限，在这里我们只给出主控程序（图1）和下载控制线程（图2）的流程图，并给出下载线程的算法描述。
图1 主控程序的流程图
图2 下载控制线程的流程图
以下是下载线程中三个关键性函数的算法描述（假定这三个函数都被封装在CwebCopy类中）。
int CWebCopy ::DownLoad(char ＊ host,char ＊path,int a1,int a2，BYTE ＊ buf)
{
//本函数从host所指定的HTTP服务器上下载路径为path的文件中从第a1字节到第a2字节的内容，与host所指定的主机的80端口(HTTP端口)建立流式链接,共尝试5次
bool connected = false;
int sock; //用于存放套接字描述符
for(i = 0; i < 5 ; i＋＋){
if((sock = Connect(host,80)) < 0)
sleep(1);
else{
connected = true;
break;
}
}
if(connected){
//向指定的HTTP服务器发送GET请求,下载当前指定路径下的文件的一部分
Send(sock,“GET path％cHost: ％s％cRange: bytes=％d－％d％c”,path,10,host,10,a1,a2,10);
int inflen,index = 0;
while(1){
struct timeval tv;
tv.tv_sec = 1;
tv.tv_usec = 0;
//检查套接字是否接收到了数据,尝试20次,每次间隔1秒
int readen;
readen =ReadEn(sock,tv,20);
//如果套接字中20秒内仍然没有数据，则认为超时
if(readen < 1) return －1;
//接收数据,并存放在信息缓冲区中
inflen=read(sock,(buf＋index),a2－a1); // 如果此文件所需部分已经下载结束
if(inflen <= 0) break;
}
return 0;
}
else return －1;
}
int CWebCopy ::Send(int sock，char ＊fmt,...)
{
//本函数将指定的字符串发送到sock所指向的远程HTTP服务器
char BUF[1024];
va_list argptr;
//处理可变个数参数
va_start(argptr,fmt);
//将参数整理成字符串后放入BUF中
vsprintf(BUF,fmt,argptr);
va_end(argptr);
//将BUF中的字符串发送到sock所指向的远程服务器
return send(sock ,BUF,strlen(BUF),0);
}
int CWebCopy ::ReadEn(int sock，struct timeval tv,int tryloop)
{
//利用select函数检验套接字sock,如果套接字接收到数据则返回“读使能”,如果出现“内部中断”以外的错误,则返回 “读禁止”
fd_set rfdset;
FD_ZERO(＆rfdset);
FD_SET(sock,＆rfdset);
int readen = 0;
for(int i = 0; i < tryloop; i＋＋){
readen = select(m_sock＋1,＆rfdset,NULL,NULL,＆tv);
if(readen>0||(readen< 0 ＆＆ errno !=EINTR))
break;
sleep(1);
}
return readen;
}