零基礎寫Java知乎爬蟲之進階篇

2019-11-26 15:21:46

字體：大中小

來源：轉載

供稿：網友

說到爬蟲，使用Java本身自帶的URLConnection可以實現一些基本的抓取頁面的功能，但是對于一些比較高級的功能，比如重定向的處理，HTML標記的去除，僅僅使用URLConnection還是不夠的。

在這里我們可以使用HttpClient這個第三方jar包。

接下來我們使用HttpClient簡單的寫一個爬去百度的Demo：

import java.io.FileOutputStream;
import java.io.InputStream;
import java.io.OutputStream;
import org.apache.commons.httpclient.HttpClient;
import org.apache.commons.httpclient.HttpStatus;
import org.apache.commons.httpclient.methods.GetMethod;
/**
 * 
 * @author CallMeWhy
 * 
 */
public class Spider {
 private static HttpClient httpClient = new HttpClient();
 /**
  * @param path
  *            目標網頁的鏈接
  * @return 返回布爾值，表示是否正常下載目標頁面
  * @throws Exception
  *             讀取網頁流或寫入本地文件流的IO異常
  */
 public static boolean downloadPage(String path) throws Exception {
  // 定義輸入輸出流
  InputStream input = null;
  OutputStream output = null;
  // 得到 post 方法
  GetMethod getMethod = new GetMethod(path);
  // 執行，返回狀態碼
  int statusCode = httpClient.executeMethod(getMethod);
  // 針對狀態碼進行處理
  // 簡單起見，只處理返回值為 200 的狀態碼
  if (statusCode == HttpStatus.SC_OK) {
   input = getMethod.getResponseBodyAsStream();
   // 通過對URL的得到文件名
   String filename = path.substring(path.lastIndexOf('/') + 1)
     + ".html";
   // 獲得文件輸出流
   output = new FileOutputStream(filename);
   // 輸出到文件
   int tempByte = -1;
   while ((tempByte = input.read()) > 0) {
    output.write(tempByte);
   }
   // 關閉輸入流
   if (input != null) {
    input.close();
   }
   // 關閉輸出流
   if (output != null) {
    output.close();
   }
   return true;
  }
  return false;
 }
 public static void main(String[] args) {
  try {
   // 抓取百度首頁，輸出
   Spider.downloadPage("  } catch (Exception e) {
   e.printStackTrace();
  }
 }
}

但是這樣基本的爬蟲是不能滿足各色各樣的爬蟲需求的。

先來介紹寬度優先爬蟲。

寬度優先相信大家都不陌生，簡單說來可以這樣理解寬度優先爬蟲。

我們把互聯網看作一張超級大的有向圖，每一個網頁上的鏈接都是一個有向邊，每一個文件或沒有鏈接的純頁面則是圖中的終點：

寬度優先爬蟲就是這樣一個爬蟲，爬走在這個有向圖上，從根節點開始一層一層往外爬取新的節點的數據。

寬度遍歷算法如下所示：

(1) 頂點 V 入隊列。
(2) 當隊列非空時繼續執行，否則算法為空。
(3) 出隊列，獲得隊頭節點 V，訪問頂點 V 并標記 V 已經被訪問。
(4) 查找頂點 V 的第一個鄰接頂點 col。
(5) 若 V 的鄰接頂點 col 未被訪問過，則 col 進隊列。
(6) 繼續查找 V 的其他鄰接頂點 col，轉到步驟(5)，若 V 的所有鄰接頂點都已經被訪問過，則轉到步驟(2)。

按照寬度遍歷算法，上圖的遍歷順序為：A->B->C->D->E->F->H->G->I，這樣一層一層的遍歷下去。

而寬度優先爬蟲其實爬取的是一系列的種子節點，和圖的遍歷基本相同。

我們可以把需要爬取頁面的URL都放在一個TODO表中，將已經訪問的頁面放在一個Visited表中：

則寬度優先爬蟲的基本流程如下：

(1) 把解析出的鏈接和 Visited 表中的鏈接進行比較，若 Visited 表中不存在此鏈接，表示其未被訪問過。
(2) 把鏈接放入 TODO 表中。
(3) 處理完畢后，從 TODO 表中取得一條鏈接，直接放入 Visited 表中。
(4) 針對這個鏈接所表示的網頁，繼續上述過程。如此循環往復。

下面我們就來一步一步制作一個寬度優先的爬蟲。

首先，對于先設計一個數據結構用來存儲TODO表，考慮到需要先進先出所以采用隊列，自定義一個Quere類：

import java.util.LinkedList;
/**
 * 自定義隊列類 保存TODO表
 */
public class Queue {
 /**
  * 定義一個隊列，使用LinkedList實現
  */
 private LinkedList<Object> queue = new LinkedList<Object>(); // 入隊列
 /**
  * 將t加入到隊列中
  */
 public void enQueue(Object t) {
  queue.addLast(t);
 }
 /**
  * 移除隊列中的第一項并將其返回
  */
 public Object deQueue() {
  return queue.removeFirst();
 }
 /**
  * 返回隊列是否為空
  */
 public boolean isQueueEmpty() {
  return queue.isEmpty();
 }
 /**
  * 判斷并返回隊列是否包含t
  */
 public boolean contians(Object t) {
  return queue.contains(t);
 }
 /**
  * 判斷并返回隊列是否為空
  */
 public boolean empty() {
  return queue.isEmpty();
 }
}

還需要一個數據結構來記錄已經訪問過的 URL，即Visited表。

考慮到這個表的作用，每當要訪問一個 URL 的時候，首先在這個數據結構中進行查找，如果當前的 URL 已經存在，則丟棄這個URL任務。

這個數據結構需要不重復并且能快速查找，所以選擇HashSet來存儲。

綜上，我們另建一個SpiderQueue類來保存Visited表和TODO表：

import java.util.HashSet;
import java.util.Set;
/**
 * 自定義類 保存Visited表和unVisited表
 */
public class SpiderQueue {
 /**
  * 已訪問的url集合，即Visited表
  */
 private static Set<Object> visitedUrl = new HashSet<>();
 /**
  * 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);
 }
 /**
  * 獲得已經訪問的 URL 數目
  */
 public static int getVisitedUrlNum() {
  return visitedUrl.size();
 }
 /**
  * 待訪問的url集合，即unVisited表
  */
 private static Queue unVisitedUrl = new Queue();
 /**
  * 獲得UnVisited隊列
  */
 public static Queue getUnVisitedUrl() {
  return unVisitedUrl;
 }
 /**
  * 未訪問的unVisitedUrl出隊列
  */
 public static Object unVisitedUrlDeQueue() {
  return unVisitedUrl.deQueue();
 }
 /**
  * 保證添加url到unVisitedUrl的時候每個 URL只被訪問一次
  */
 public static void addUnvisitedUrl(String url) {
  if (url != null && !url.trim().equals("") && !visitedUrl.contains(url)
    && !unVisitedUrl.contians(url))
   unVisitedUrl.enQueue(url);
 }
 /**
  * 判斷未訪問的 URL隊列中是否為空
  */
 public static boolean unVisitedUrlsEmpty() {
  return unVisitedUrl.empty();
 }
}

上面是一些自定義類的封裝，接下來就是一個定義一個用來下載網頁的工具類，我們將其定義為DownTool類：

package controller;
import java.io.*;
import org.apache.commons.httpclient.*;
import org.apache.commons.httpclient.methods.*;
import org.apache.commons.httpclient.params.*;
public class DownTool {
 /**
  * 根據 URL 和網頁類型生成需要保存的網頁的文件名，去除 URL 中的非文件名字符
  */
 private String getFileNameByUrl(String url, String contentType) {
  // 移除 "http://" 這七個字符
  url = url.substring(7);
  // 確認抓取到的頁面為 text/html 類型
  if (contentType.indexOf("html") != -1) {
   // 把所有的url中的特殊符號轉化成下劃線
   url = url.replaceAll("[//?/:*|<>/"]", "_") + ".html";
  } else {
   url = url.replaceAll("[//?/:*|<>/"]", "_") + "."
     + contentType.substring(contentType.lastIndexOf("/") + 1);
  }
  return url;
 }
 /**
  * 保存網頁字節數組到本地文件，filePath 為要保存的文件的相對地址
  */
 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();
  }
 }
 // 下載 URL 指向的網頁
 public String downloadFile(String url) {
  String filePath = null;
  // 1.生成 HttpClinet對象并設置參數
  HttpClient httpClient = new HttpClient();
  // 設置 HTTP連接超時 5s
  httpClient.getHttpConnectionManager().getParams()
    .setConnectionTimeout(5000);
  // 2.生成 GetMethod對象并設置參數
  GetMethod getMethod = new GetMethod(url);
  // 設置 get請求超時 5s
  getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000);
  // 設置請求重試處理
  getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,
    new DefaultHttpMethodRetryHandler());
  // 3.執行GET請求
  try {
   int statusCode = httpClient.executeMethod(getMethod);
   // 判斷訪問的狀態碼
   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();// 讀取為字節數組
   // 根據網頁 url 生成保存時的文件名
   filePath = "temp//"
     + 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("請檢查你的http地址是否正確");
   e.printStackTrace();
  } catch (IOException e) {
   // 發生網絡異常
   e.printStackTrace();
  } finally {
   // 釋放連接
   getMethod.releaseConnection();
  }
  return filePath;
 }
}

在這里我們需要一個HtmlParserTool類來處理Html標記：

package controller;
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;
import model.LinkFilter;
public class HtmlParserTool {
 // 獲取一個網站上的鏈接，filter 用來過濾鏈接
 public static Set<String> extracLinks(String url, LinkFilter filter) {
  Set<String> links = new HashSet<String>();
  try {
   Parser parser = new Parser(url);
   parser.setEncoding("gb2312");
   // 過濾 <frame >標簽的 filter，用來提取 frame 標簽里的 src 屬性
   NodeFilter frameFilter = new NodeFilter() {
    private static final long serialVersionUID = 1L;
    @Override
    public boolean accept(Node node) {
     if (node.getText().startsWith("frame src=")) {
      return true;
     } else {
      return false;
     }
    }
   };
   // OrFilter 來設置過濾 <a> 標簽和 <frame> 標簽
   OrFilter linkFilter = new OrFilter(new NodeClassFilter(
     LinkTag.class), frameFilter);
   // 得到所有經過過濾的標簽
   NodeList list = parser.extractAllNodesThatMatch(linkFilter);
   for (int i = 0; i < list.size(); i++) {
    Node tag = list.elementAt(i);
    if (tag instanceof LinkTag)// <a> 標簽
    {
     LinkTag link = (LinkTag) tag;
     String linkUrl = link.getLink();// URL
     if (filter.accept(linkUrl))
      links.add(linkUrl);
    } else// <frame> 標簽
    {
     // 提取 frame 里 src 屬性的鏈接， 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;
 }
}

最后我們來寫個爬蟲類調用前面的封裝類和函數：

package controller;
import java.util.Set;
import model.LinkFilter;
import model.SpiderQueue;
public class BfsSpider {
 /**
  * 使用種子初始化URL隊列
  */
 private void initCrawlerWithSeeds(String[] seeds) {
  for (int i = 0; i < seeds.length; i++)
   SpiderQueue.addUnvisitedUrl(seeds[i]);
 }
 // 定義過濾器，提取以 http://www.xxxx.com開頭的鏈接
 public void crawling(String[] seeds) {
  LinkFilter filter = new LinkFilter() {
   public boolean accept(String url) {
    if (url.startsWith("     return true;
    else
     return false;
   }
  };
  // 初始化 URL 隊列
  initCrawlerWithSeeds(seeds);
  // 循環條件：待抓取的鏈接不空且抓取的網頁不多于 1000
  while (!SpiderQueue.unVisitedUrlsEmpty()
    && SpiderQueue.getVisitedUrlNum() <= 1000) {
   // 隊頭 URL 出隊列
   String visitUrl = (String) SpiderQueue.unVisitedUrlDeQueue();
   if (visitUrl == null)
    continue;
   DownTool downLoader = new DownTool();
   // 下載網頁
   downLoader.downloadFile(visitUrl);
   // 該 URL 放入已訪問的 URL 中
   SpiderQueue.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) {
    SpiderQueue.addUnvisitedUrl(link);
   }
  }
 }
 // main 方法入口
 public static void main(String[] args) {
  BfsSpider crawler = new BfsSpider();
  crawler.crawling(new String[] { " }
}