之前寫過很多單頁面python爬蟲，感覺python還是很好用的，這里用java總結一個多頁面的爬蟲，迭代爬取種子頁面的所有鏈接的頁面，全部保存在tmp路徑下?！ ?/p>
一、 序言
實現這個爬蟲需要兩個數據結構支持，unvisited隊列(priorityqueue：可以適用pagerank等算法計算出url重要度)和visited表（hashset：可以快速查找url是否存在）；隊列用于實現寬度優先爬取，visited表用于記錄爬取過的url，不再重復爬取，避免了環。java爬蟲需要的工具包有httpclient和htmlparser1.5，可以在maven repo中查看具體版本的下載。
1、目標網站：新浪 http://www.sina.com.cn/
2、結果截圖：
下面說說爬蟲的實現，后期源碼會上傳到github中，需要的朋友可以留言：
二、爬蟲編程
1、創建種子頁面的url
MyCrawler crawler = new MyCrawler();
crawler.crawling(new String[]{"http://www.sina.com.cn/"});
2、初始化unvisited表為上面的種子url
LinkQueue.addUnvisitedUrl(seeds[i]);
3、最主要的邏輯實現部分：在隊列中取出沒有visit過的url，進行下載，然后加入visited的表，并解析改url頁面上的其它url，把未讀取的加入到unvisited隊列；迭代到隊列為空停止，所以這個url網絡還是很龐大的。注意，這里的頁面下載和頁面解析需要java的工具包實現，下面具體說明下工具包的使用。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
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); } } |
4、下面html頁面的download工具包
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
|
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 = "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("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; } |
5、html頁面的解析工具包：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
|
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; } |
6、未訪問頁面使用PriorityQueue帶偏好的隊列保存，主要是為了適用于pagerank等算法，有的url忠誠度更高一些；visited表采用hashset實現，注意可以快速查找是否存在；
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
|
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(); }} |
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持服務器之家。
