教你如何編寫簡單的網路爬蟲_java

一、網路爬蟲的基本知識

網路爬蟲通過遍曆互連網絡，把網路中的相關網頁全部抓取過來，這體現了爬的概念。爬蟲如何遍曆網路呢，互連網可以看做是一張大圖，每個頁面看做其中的一個節點，頁面的串連看做是有向邊。圖的遍曆方式分為寬度遍曆和深度遍曆，但是深度遍曆可能會在深度上過深的遍曆或者陷入黑洞。所以，大多數爬蟲不採用這種形式。另一方面，爬蟲在按照寬度優先遍曆的方式時候，會給待遍曆的網頁賦予一定優先順序，這種叫做帶偏好的遍曆。

實際的爬蟲是從一系列的種子連結開始。種子連結是起始節點，種子頁面的超連結指向的頁面是子節點（中間節點），對於非html文檔，如excel等，不能從中提取超連結，看做圖的終端節點。整個遍曆過程中維護一張visited表，記錄哪些節點（連結）已經處理過了，跳過不作處理。

使用寬度優先搜尋策略，主要原因有：

a、重要的網頁一般離種子比較近，例如我們開啟的新聞網站時候，往往是最熱門的新聞，隨著深入衝浪，網頁的重要性越來越低。

b、全球資訊網實際深度最多達17層，但到達某個網頁總存在一條很短路徑，而寬度優先遍曆可以最快的速度找到這個網頁

c、寬度優先有利於多爬蟲合作抓取。

二、網路爬蟲的簡單實現

1、定義已訪問隊列，待訪問隊列和爬取得URL的雜湊表，包括出隊列，入隊列，判斷隊列是否空等操作

複製代碼 代碼如下:

package webspider;
import java.util.HashSet;
import java.util.PriorityQueue;
import java.util.Set;
import java.util.Queue;

public class LinkQueue {
 // 已訪問的 url 集合
 private static Set visitedUrl = new HashSet();
 // 待訪問的 url 集合
 private static Queue unVisitedUrl = new PriorityQueue();

 // 獲得URL隊列
 public static Queue getUnVisitedUrl() {
  return unVisitedUrl;
 }

 // 添加到訪問過的URL隊列中
 public static void addVisitedUrl(String url) {
  visitedUrl.add(url);
 }

 // 移除訪問過的URL
 public static void removeVisitedUrl(String url) {
  visitedUrl.remove(url);
 }

 // 未訪問的URL出隊列
 public static Object unVisitedUrlDeQueue() {
  return unVisitedUrl.poll();
 }

 // 保證每個 url 只被訪問一次
 public static void addUnvisitedUrl(String url) {
  if (url != null && !url.trim().equals("") && !visitedUrl.contains(url)
    && !unVisitedUrl.contains(url))
   unVisitedUrl.add(url);
 }

 // 獲得已經訪問的URL數目
 public static int getVisitedUrlNum() {
  return visitedUrl.size();
 }

 // 判斷未訪問的URL隊列中是否為空白
 public static boolean unVisitedUrlsEmpty() {
  return unVisitedUrl.isEmpty();
 }

}

2、定義DownLoadFile類，根據得到的url，爬取網頁內容，下載到本地儲存。此處需要引用commons-httpclient.jar，commons-codec.jar，commons-logging.jar。

複製代碼 代碼如下:

package webspider;

import java.io.DataOutputStream;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import org.apache.commons.httpclient.DefaultHttpMethodRetryHandler;
import org.apache.commons.httpclient.HttpClient;
import org.apache.commons.httpclient.HttpException;
import org.apache.commons.httpclient.HttpStatus;
import org.apache.commons.httpclient.methods.GetMethod;
import org.apache.commons.httpclient.params.HttpMethodParams;

public class DownLoadFile {
 /**
  * 根據 url 和網頁類型產生需要儲存的網頁的檔案名稱 去除掉 url 中非檔案名稱字元
  */
 public String getFileNameByUrl(String url, String contentType) {
  // remove http://
  url = url.substring(7);
  // text/html類型
  if (contentType.indexOf("html") != -1) {
   url = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html";
   return url;
  }
  // 如application/pdf類型
  else {
   return url.replaceAll("[\\?/:*|<>\"]", "_") + "."
     + contentType.substring(contentType.lastIndexOf("/") + 1);
  }
 }

 /**
  * 儲存網頁位元組數組到本地檔案 filePath 為要儲存的檔案的相對位址
  */
 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();
  }
 }

 /* 下載 url 指向的網頁 */
 public String downloadFile(String url) {
  String filePath = null;
  /* 1.產生 HttpClinet 對象並設定參數 */
  HttpClient httpClient = new HttpClient();
  // 設定 Http 連線逾時 5s
  httpClient.getHttpConnectionManager().getParams()
    .setConnectionTimeout(5000);

  /* 2.產生 GetMethod 對象並設定參數 */
  GetMethod getMethod = new GetMethod(url);
  // 設定 get 請求逾時 5s
  getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000);
  // 佈建要求重試處理
  getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,
    new DefaultHttpMethodRetryHandler());

  /* 3.執行 HTTP GET 請求 */
  try {
   int statusCode = httpClient.executeMethod(getMethod);
   // 判斷訪問的狀態代碼
   if (statusCode != HttpStatus.SC_OK) {
    System.err.println("Method failed: "
      + getMethod.getStatusLine());
    filePath = null;
   }

   /* 4.處理 HTTP 響應內容 */
   byte[] responseBody = getMethod.getResponseBody();// 讀取為位元組數組
   // 根據網頁 url 產生儲存時的檔案名稱
   filePath = "f:\\spider\\"
     + getFileNameByUrl(url,
       getMethod.getResponseHeader("Content-Type")
         .getValue());
   saveToLocal(responseBody, filePath);
  } catch (HttpException e) {
   // 發生致命的異常，可能是協議不對或者返回的內容有問題
   System.out.println("Please check your provided http address!");
   e.printStackTrace();
  } catch (IOException e) {
   // 發生網路異常
   e.printStackTrace();
  } finally {
   // 釋放串連
   getMethod.releaseConnection();
  }
  return filePath;
 }
}

3、定義HtmlParserTool類，用來獲得網頁中的超連結（包括a標籤，frame中的src等等），即為了得到子節點的URL。需要引入htmlparser.jar

複製代碼 代碼如下:

package webspider;

import java.util.HashSet;
import java.util.Set;
import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.filters.NodeClassFilter;
import org.htmlparser.filters.OrFilter;
import org.htmlparser.tags.LinkTag;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;

public class HtmlParserTool {
 // 擷取一個網站上的連結,filter 用來過濾連結
 public static Set<String> extracLinks(String url, LinkFilter filter) {

  Set<String> links = new HashSet<String>();
  try {
   Parser parser = new Parser(url);
   //parser.setEncoding("utf-8");
   // 過濾 <frame >標籤的 filter，用來提取 frame 標籤裡的 src 屬性所表示的連結
   NodeFilter frameFilter = new NodeFilter() {
    public boolean accept(Node node) {
     if (node.getText().startsWith("frame src=")) {
      return true;
     } else {
      return false;
     }
    }
   };
   // OrFilter 來設定過濾 <a> 標籤，和 <frame> 標籤
   OrFilter linkFilter = new OrFilter(new NodeClassFilter(
     LinkTag.class), frameFilter);
   // 得到所有經過過濾的標籤
   NodeList list = parser.extractAllNodesThatMatch(linkFilter);
   for (int i = 0; i < list.size(); i++) {
    Node tag = list.elementAt(i);
    if (tag instanceof LinkTag)// <a> 標籤
    {
     LinkTag link = (LinkTag) tag;
     String linkUrl = link.getLink();// url
     if (filter.accept(linkUrl))
      links.add(linkUrl);
    } else// <frame> 標籤
    {
     // 提取 frame 裡 src 屬性的連結如 <frame src="test.html"/>
     String frame = tag.getText();
     int start = frame.indexOf("src=");
     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;
 }
}

4、編寫測試類別MyCrawler，用來測試爬取效果

複製代碼 代碼如下:

package webspider;

import java.util.Set;

public class MyCrawler {
 /**
  * 使用種子初始化 URL 隊列
  *
  * @return
  * @param seeds
  *            種子URL
  */
 private void initCrawlerWithSeeds(String[] seeds) {
  for (int i = 0; i < seeds.length; i++)
   LinkQueue.addUnvisitedUrl(seeds[i]);
 }

 /**
  * 抓取過程
  *
  * @return
  * @param seeds
  */
 public void crawling(String[] seeds) { // 定義過濾器，提取以http://www.lietu.com開頭的連結
  LinkFilter filter = new LinkFilter() {
   public boolean accept(String url) {
    if (url.startsWith("http://www.baidu.com"))
     return true;
    else
     return false;
   }
  };
  // 初始化 URL 隊列
  initCrawlerWithSeeds(seeds);
  // 迴圈條件：待抓取的連結不空且抓取的網頁不多於1000
  while (!LinkQueue.unVisitedUrlsEmpty()
    && LinkQueue.getVisitedUrlNum() <= 1000) {
   // 隊頭URL出隊列
   String visitUrl = (String) LinkQueue.unVisitedUrlDeQueue();
   if (visitUrl == null)
    continue;
   DownLoadFile downLoader = new DownLoadFile();
   // 下載網頁
   downLoader.downloadFile(visitUrl);
   // 該 url 放入到已訪問的 URL 中
   LinkQueue.addVisitedUrl(visitUrl);
   // 提取出下載網頁中的 URL
   Set<String> links = HtmlParserTool.extracLinks(visitUrl, filter);
   // 新的未訪問的 URL 入隊
   for (String link : links) {
    LinkQueue.addUnvisitedUrl(link);
   }
  }
 }

 // main 方法入口
 public static void main(String[] args) {
  MyCrawler crawler = new MyCrawler();
  crawler.crawling(new String[] { "http://www.baidu.com" });
 }

}

至此，可以看到f:\spider檔案夾下面已經出現了很多html檔案，都是關於百度的，以“www.baidu.com”為開頭。