首页 > 代码库 > Java版网络爬虫基础

Java版网络爬虫基础

  网络爬虫不仅仅可以爬取网站的网页,图片,甚至可以实现抢票功能,网上抢购,机票查询等。这几天看了点基础,记录下来。

     网页的关系可以看做是一张很大的图,图的遍历可以分为深度优先和广度优先。网络爬虫采取的广度优先,概括的说来如下:

     2个数组,一个记录已访问的网页(Al),一个记录未访问的网页(Un)。假设网页A为爬取的起始点,分析A中的所有的超链接B,C,D,将B,C,D加入到Un,分析B中的所有的超链接E,F,将E,F加入到Un末尾,将B从Un除去并加入到AL。依次分析Un中的超链接并加入到Un中就能完成广度优先的遍历。

     从上面可以看出,自己写爬虫有几个主要部分,分析网页中的链接,将使用htmlparser来完成,网页的下载功能,将使用httpcliient来完成。

     现有的爬虫工具有webharvest等,可以直接使用。Lucene是一个全文检索系统的框架,它只是用来建立索引并搜索的,它不能够实现网络爬虫功能。能够实现网络搜索的系统叫Nutch,它是基于Lucene开发的。

     相关中间件的下载地址;

  HTMLParser : http://downloads.sourceforge.net/project/htmlparser/Integration-Builds/2.0-20060923/HTMLParser-2.0-SNAPSHOT-bin.zip

  httpcliient : http://hc.apache.org/downloads.cgi

      httpclient分为3.x版本和4.x版本,使用3.x版本的在抓取HTTP V1.1时总出现cache设置的问题,使用4.x版本则是正常的。使用了代理时对httpclient和htmlparser都需要做代理设置。

 

      LinkQueue定义已访问队列,待访问队列和爬取得URL的哈希表,包括出队列,入队列,判断队列是否空等操作。     

public class LinkQueue {    // 已访问的 url 集合    private static Set<String> visitedUrl = new HashSet<String>();    // 待访问的 url 集合    private static Queue<String> unVisitedUrl = new PriorityQueue<String>();    // 获得URL队列    public static Queue<String> getUnVisitedUrl() {        return unVisitedUrl;    }    // 添加到访问过的URL队列中    public static void addVisitedUrl(String url) {        visitedUrl.add(url);    }    // 移除访问过的URL    public static void removeVisitedUrl(String url) {        visitedUrl.remove(url);    }    // 未访问的URL出队列    public static Object unVisitedUrlDeQueue() {        return unVisitedUrl.poll();    }    // 保证每个 url 只被访问一次    public static void addUnvisitedUrl(String url) {        if (url != null && !url.trim().equals("") && !visitedUrl.contains(url) && !unVisitedUrl.contains(url))            unVisitedUrl.add(url);    }    // 获得已经访问的URL数目    public static int getVisitedUrlNum() {        return visitedUrl.size();    }    // 判断未访问的URL队列中是否为空    public static boolean unVisitedUrlsEmpty() {        return unVisitedUrl.isEmpty();    }}

      实现抓取内容过滤的接口LinkFilter 

public interface LinkFilter {        public boolean accept(String url);}

      DownLoadFile类,根据得到的url,爬取网页内容,下载到本地保存。 F盘下面需要有名为spider的文件夹,存储爬取的网页。

public class DownLoadFileV4 {    /* 下载 url 指向的网页 */    public String downloadFile(String url) throws Exception {        String filePath = null;        // 初始化,此处构造函数就与3.1中不同        HttpClient httpclient = new DefaultHttpClient();        //设置代理和超时,没有使用代理时注掉        HttpHost proxy = new HttpHost("172.16.91.109", 808);           httpclient.getParams().setParameter(ConnRoutePNames.DEFAULT_PROXY, proxy);           httpclient.getParams().setIntParameter(CoreConnectionPNames.CONNECTION_TIMEOUT, 3000);        HttpHost targetHost = new HttpHost(url.replace("http://", ""));        HttpGet httpget = new HttpGet("/");        // 查看默认request头部信息        System.out.println("Accept-Charset:" + httpget.getFirstHeader("Accept-Charset"));        // 以下这条如果不加会发现无论你设置Accept-Charset为gbk还是utf-8,他都会默认返回gb2312(本例针对google.cn来说)        httpget.setHeader("User-Agent", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1.2)");        // 用逗号分隔显示可以同时接受多种编码        httpget.setHeader("Accept-Language", "zh-cn,zh;q=0.5");        httpget.setHeader("Accept-Charset", "GB2312,utf-8;q=0.7,*;q=0.7");        // 验证头部信息设置生效        System.out.println("Accept-Charset:" + httpget.getFirstHeader("Accept-Charset").getValue());        // Execute HTTP request        System.out.println("executing request " + httpget.getURI());        HttpResponse response = null;        try {            response = httpclient.execute(targetHost, httpget);                // HttpResponse response = httpclient.execute(httpget);        System.out.println("----------------------------------------");        System.out.println("Location: " + response.getLastHeader("Location"));        System.out.println(response.getStatusLine().getStatusCode());        System.out.println(response.getLastHeader("Content-Type"));        System.out.println(response.getLastHeader("Content-Length"));        System.out.println("----------------------------------------");        // 判断页面返回状态判断是否进行转向抓取新链接        int statusCode = response.getStatusLine().getStatusCode();        if ((statusCode == HttpStatus.SC_MOVED_PERMANENTLY) || (statusCode == HttpStatus.SC_MOVED_TEMPORARILY) || (statusCode == HttpStatus.SC_SEE_OTHER)                || (statusCode == HttpStatus.SC_TEMPORARY_REDIRECT)) {            // 此处重定向处理 此处还未验证            String newUri = response.getLastHeader("Location").getValue();            httpclient = new DefaultHttpClient();            httpget = new HttpGet(newUri);            response = httpclient.execute(httpget);        }        // Get hold of the response entity        HttpEntity entity = response.getEntity();        // 查看所有返回头部信息        Header headers[] = response.getAllHeaders();        int ii = 0;        while (ii < headers.length) {            System.out.println(headers[ii].getName() + ": " + headers[ii].getValue());            ++ii;        }        // If the response does not enclose an entity, there is no need        // to bother about connection release        if (entity != null) {            // 将源码流保存在一个byte数组当中,因为可能需要两次用到该流,            byte[] bytes = EntityUtils.toByteArray(entity);            if(response.getLastHeader("Content-Type") != null){                filePath = "f:\\spider\\" + getFileNameByUrl(url, response.getLastHeader("Content-Type").getValue());            }else{                filePath = "f:\\spider\\" + url.substring(url.lastIndexOf("/"), url.length());            }            saveToLocal(bytes, filePath);                        String charSet = "";            // 如果头部Content-Type中包含了编码信息,那么我们可以直接在此处获取            charSet = EntityUtils.getContentCharSet(entity);            System.out.println("In header: " + charSet);            // 如果头部中没有,那么我们需要 查看页面源码,这个方法虽然不能说完全正确,因为有些粗糙的网页编码者没有在页面中写头部编码信息            if (charSet == "") {                String regEx = "(?=<meta).*?(?<=charset=[\\‘|\\\"]?)([[a-z]|[A-Z]|[0-9]|-]*)";                Pattern p = Pattern.compile(regEx, Pattern.CASE_INSENSITIVE);                Matcher m = p.matcher(new String(bytes)); // 默认编码转成字符串,因为我们的匹配中无中文,所以串中可能的乱码对我们没有影响                boolean result = m.find();                if (m.groupCount() == 1) {                    charSet = m.group(1);                } else {                    charSet = "";                }            }            System.out.println("Last get: " + charSet);            // 至此,我们可以将原byte数组按照正常编码专成字符串输出(如果找到了编码的话)            //System.out.println("Encoding string is: " + new String(bytes, charSet));        }} catch (Exception e) {            e.printStackTrace();        }        finally {            httpclient.getConnectionManager().shutdown();            httpget.abort();        }                return filePath;    }        /**     * 根据 url 和网页类型生成需要保存的网页的文件名 去除掉 url 中非文件名字符     */    public String getFileNameByUrl(String url, String contentType) {        // remove http://        url = url.substring(7);        // text/html类型        if (contentType.indexOf("html") != -1&& url.indexOf(".jpg")!=-1&& url.indexOf(".gif")!=-1) {            url = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html";            return url;        }                else if(url.indexOf(".jpg")!=-1|| url.indexOf(".gif")!=-1){            url =url;            return url;        }// 如application/pdf类型        else {            return url.replaceAll("[\\?/:*|<>\"]", "_") + "." + contentType.substring(contentType.lastIndexOf("/") + 1);        }    }    /**     * 保存网页字节数组到本地文件 filePath 为要保存的文件的相对地址     */    private void saveToLocal(byte[] data, String filePath) {        try {            DataOutputStream out = new DataOutputStream(new FileOutputStream(new File(filePath)));            for (int i = 0; i < data.length; i++)                out.write(data[i]);            out.flush();            out.close();        } catch (IOException e) {            e.printStackTrace();        }    }}

      HtmlParserTool类,用来获得网页中的超链接(包括a标签,frame中的src等等),即为了得到子节点的URL。需要引入htmlparser.jar。

public class HtmlParserTool {    public static List<String>imageURLS = new ArrayList<String>();    // 获取一个网站上的链接,filter 用来过滤链接    public static Set<String> extracLinks(String url, LinkFilter filter) {        Set<String> links = new HashSet<String>();        try {            Parser parser = new Parser();            // 设置代理,没有代理时注掉            System.getProperties().put("proxySet", "true");            System.getProperties().put("proxyHost", "172.16.91.109");            System.getProperties().put("proxyPort", "808");            Parser.getConnectionManager().setProxyHost("123");            parser.setURL(url);            parser.setEncoding("utf-8");            // 设置过滤图片            NodeFilter imgfil = new TagNameFilter("IMG");            // 过滤 <frame >标签的 filter,用来提取 frame 标签里的 src 属性所表示的链接            NodeFilter frameFilter = new NodeFilter() {                private static final long serialVersionUID = -6464506837817768182L;                public boolean accept(Node node) {                    if (node.getText().startsWith("frame src="http://www.mamicode.com/)) {                        return true;                    } else {                        return false;                    }                }            };            // OrFilter 来设置过滤 <a> 标签,和 <frame> 标签            OrFilter lf = new OrFilter(new NodeClassFilter(LinkTag.class), frameFilter);                        // 得到所有经过过滤的标签            //NodeList list = parser.extractAllNodesThatMatch(lf);            NodeList list = parser.extractAllNodesThatMatch(imgfil);            for (int i = 0; i < list.size(); i++) {                Node tag = list.elementAt(i);                if (tag instanceof LinkTag)// <a> 标签                {                    if (tag instanceof ImageTag) {                        // 加入图片信息                        ImageTag link = (ImageTag) tag;                        String imageUrl = link.getImageURL();// url                        links.add(imageUrl);                        imageURLS.add(imageUrl);                        System.out.println(imageUrl);                    }else{                        LinkTag link = (LinkTag) tag;                        String linkUrl = link.getLink();// url                        if (filter.accept(linkUrl))                        links.add(linkUrl);                    }                } else// <frame> 标签                {                    if (tag instanceof ImageTag) {                        // 加入图片信息                        ImageTag link = (ImageTag) tag;                        String imageUrl = link.getImageURL();// url                        links.add(imageUrl);                        imageURLS.add(imageUrl);                        System.out.println(imageUrl);                    } else {                        // 提取 frame 里 src 属性的链接如 <frame src="http://www.mamicode.com/test.html"/>                        String frame = tag.getText();                        int start = frame.indexOf("src="http://www.mamicode.com/);                        frame = frame.substring(start);                        int end = frame.indexOf(" ");                        if (end == -1)                            end = frame.indexOf(">");                        String frameUrl = frame.substring(5, end - 1);                        if (filter.accept(frameUrl))                            links.add(frameUrl);                    }                }            }        } catch (ParserException e) {            e.printStackTrace();        }        return links;    }}

      测试类MyCrawler,用来测试爬取效果

public class MyCrawler {    /**     * 使用种子初始化 URL 队列     *      * @return     * @param seeds     *            种子URL     */    private void initCrawlerWithSeeds(String[] seeds) {        for (int i = 0; i < seeds.length; i++)            LinkQueue.addUnvisitedUrl(seeds[i]);    }    /**     * 抓取过程     *      * @return     * @param seeds     * @throws Exception      */    public void crawling(String[] seeds) throws Exception {         LinkFilter filter = new LinkFilter() {            public boolean accept(String url) {                if (url.contains("csdn"))                    return true;                else                    return false;            }        };        // 初始化 URL 队列        initCrawlerWithSeeds(seeds);        // 循环条件:待抓取的链接不空且抓取的网页不多于1000        while (!LinkQueue.unVisitedUrlsEmpty() && LinkQueue.getVisitedUrlNum() <= 1000) {            // 队头URL出队列            String visitUrl = (String) LinkQueue.unVisitedUrlDeQueue();            if (visitUrl == null)                continue;            DownLoadFileV4 downLoader = new DownLoadFileV4();            // 下载网页            try {                downLoader.downloadFile(visitUrl);                // 只下载图片,不下载网页                //if(HtmlParserTool.imageURLS.contains(visitUrl)){                //    downLoader.downloadFile(visitUrl);                //}            } catch (Exception e) {                // TODO Auto-generated catch block                e.printStackTrace();            }            System.out.println();                        // 该 url 放入到已访问的 URL 中            LinkQueue.addVisitedUrl(visitUrl);            // 提取出下载网页中的 URL            Set<String> links = HtmlParserTool.extracLinks(visitUrl, filter);            // 新的未访问的 URL 入队            for (String link : links) {                LinkQueue.addUnvisitedUrl(link);            }        }    }    // main 方法入口    public static void main(String[] args) throws Exception {        MyCrawler crawler = new MyCrawler();        crawler.crawling(new String[] {"http://www.csdn.com"});    }}

 

Java版网络爬虫基础