教你如何編寫簡單的網絡爬蟲

2019-11-26 15:57:04

字體：大中小

來源：轉載

供稿：網友

一、網絡爬蟲的基本知識

網絡爬蟲通過遍歷互聯網絡，把網絡中的相關網頁全部抓取過來，這體現了爬的概念。爬蟲如何遍歷網絡呢，互聯網可以看做是一張大圖，每個頁面看做其中的一個節點，頁面的連接看做是有向邊。圖的遍歷方式分為寬度遍歷和深度遍歷，但是深度遍歷可能會在深度上過深的遍歷或者陷入黑洞。所以，大多數爬蟲不采用這種形式。另一方面，爬蟲在按照寬度優先遍歷的方式時候，會給待遍歷的網頁賦予一定優先級，這種叫做帶偏好的遍歷。

實際的爬蟲是從一系列的種子鏈接開始。種子鏈接是起始節點，種子頁面的超鏈接指向的頁面是子節點（中間節點），對于非html文檔，如excel等，不能從中提取超鏈接，看做圖的終端節點。整個遍歷過程中維護一張visited表，記錄哪些節點（鏈接）已經處理過了，跳過不作處理。

使用寬度優先搜索策略，主要原因有：

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

b、萬維網實際深度最多達17層，但到達某個網頁總存在一條很短路徑，而寬度優先遍歷可以最快的速度找到這個網頁

c、寬度優先有利于多爬蟲合作抓取。

二、網絡爬蟲的簡單實現

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

復制代碼代碼如下:

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
public static boolean unVisitedUrlsEmpty() {
return unVisitedUrl.isEmpty();
}

}

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

復制代碼代碼如下:

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 和網頁類型生成需要保存的網頁的文件名去除掉 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);
  }
}

/**
* 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 HTTP 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 = "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) {
   // 發生網絡異常
   e.printStackTrace();
  } finally {
   // 釋放連接
   getMethod.releaseConnection();
  }
  return filePath;
}
}

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

復制代碼代碼如下:

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 {
// 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("utf-8");
   // 過濾 <frame >標簽的 filter，用來提取 frame 標簽里的 src 屬性所表示的鏈接
   NodeFilter frameFilter = new NodeFilter() {
    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;
}
}

4、編寫測試類MyCrawler，用來測試爬取效果

復制代碼代碼如下:

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開頭的鏈接
  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);
  // 循環條件：待抓取的鏈接不空且抓取的網頁不多于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文件夾下面已經出現了很多html文件，都是關于百度的，以“www.baidu.com”為開頭。

上一篇：java多線程詳細總結

下一篇：JAVA遍歷一個文件夾中的所有文件的小例子