java爬虫demo

来源：互联网发布：怪物猎人ol捏脸数据库编辑：程序博客网时间：2024/05/16 01:13

说到爬虫，使用Java本身自带的URLConnection可以实现一些基本的抓取页面的功能，但是对于一些比较高级的功能，比如重定向的处理，HTML标记的去除，仅仅使用URLConnection还是不够的。

在这里我们可以使用HttpClient这个第三方jar包。

接下来我们使用HttpClient简单的写一个爬去百度的Demo：

[cpp] view plain copy
 print?
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 
  *            目标网页的链接 
  * @return 返回布尔值，表示是否正常下载目标页面 
  * @throws Exception 
  *             读取网页流或写入本地文件流的IO异常 
  */  
 public static boolean downloadPage(String path) throws Exception {  
  // 定义输入输出流  
  InputStream input = null;  
  OutputStream output = null;  
  // 得到 post 方法  
  GetMethod getMethod = new GetMethod(path);  
  // 执行，返回状态码  
  int statusCode = httpClient.executeMethod(getMethod);  
  // 针对状态码进行处理  
  // 简单起见，只处理返回值为 200 的状态码  
  if (statusCode == HttpStatus.SC_OK) {  
   input = getMethod.getResponseBodyAsStream();  
   // 通过对URL的得到文件名  
   String filename = path.substring(path.lastIndexOf('/') + 1)  
     + ".html";  
   // 获得文件输出流  
   output = new FileOutputStream(filename);  
   // 输出到文件  
   int tempByte = -1;  
   while ((tempByte = input.read()) > 0) {  
    output.write(tempByte);  
   }  
   // 关闭输入流  
   if (input != null) {  
    input.close();  
   }  
   // 关闭输出流  
   if (output != null) {  
    output.close();  
   }  
   return true;  
  }  
  return false;  
 }  
 public static void main(String[] args) {  
  try {  
   // 抓取百度首页，输出  
   Spider.downloadPage("<a target=_blank href="http://www.baidu.com/" style="color: rgb(0, 102, 153); text-decoration: none;">http://www.baidu.com</a>");  
  } catch (Exception e) {  
   e.printStackTrace();  
  }  
 }  
}  

但是这样基本的爬虫是不能满足各色各样的爬虫需求的。

先来介绍宽度优先爬虫。

宽度优先相信大家都不陌生，简单说来可以这样理解宽度优先爬虫。

我们把互联网看作一张超级大的有向图，每一个网页上的链接都是一个有向边，每一个文件或没有链接的纯页面则是图中的终点：

宽度优先爬虫就是这样一个爬虫，爬走在这个有向图上，从根节点开始一层一层往外爬取新的节点的数据。

宽度遍历算法如下所示：

(1) 顶点 V 入队列。
(2) 当队列非空时继续执行，否则算法为空。
(3) 出队列，获得队头节点 V，访问顶点 V 并标记 V 已经被访问。
(4) 查找顶点 V 的第一个邻接顶点 col。
(5) 若 V 的邻接顶点 col 未被访问过，则 col 进队列。
(6) 继续查找 V 的其他邻接顶点 col，转到步骤(5)，若 V 的所有邻接顶点都已经被访问过，则转到步骤(2)。

按照宽度遍历算法，上图的遍历顺序为：A->B->C->D->E->F->H->G->I，这样一层一层的遍历下去。

而宽度优先爬虫其实爬取的是一系列的种子节点，和图的遍历基本相同。

我们可以把需要爬取页面的URL都放在一个TODO表中，将已经访问的页面放在一个Visited表中：

则宽度优先爬虫的基本流程如下：

(1) 把解析出的链接和 Visited 表中的链接进行比较，若 Visited 表中不存在此链接，表示其未被访问过。
(2) 把链接放入 TODO 表中。
(3) 处理完毕后，从 TODO 表中取得一条链接，直接放入 Visited 表中。
(4) 针对这个链接所表示的网页，继续上述过程。如此循环往复。

下面我们就来一步一步制作一个宽度优先的爬虫。

首先，对于先设计一个数据结构用来存储TODO表，考虑到需要先进先出所以采用队列，自定义一个Quere类：

[java] view plain copy
 print?
import java.util.LinkedList;  
/** 
 * 自定义队列类 保存TODO表 
 */  
public class Queue {  
 /** 
  * 定义一个队列，使用LinkedList实现 
  */  
 private LinkedList<Object> queue = new LinkedList<Object>(); // 入队列  
 /** 
  * 将t加入到队列中 
  */  
 public void enQueue(Object t) {  
  queue.addLast(t);  
 }  
 /** 
  * 移除队列中的第一项并将其返回 
  */  
 public Object deQueue() {  
  return queue.removeFirst();  
 }  
 /** 
  * 返回队列是否为空 
  */  
 public boolean isQueueEmpty() {  
  return queue.isEmpty();  
 }  
 /** 
  * 判断并返回队列是否包含t 
  */  
 public boolean contians(Object t) {  
  return queue.contains(t);  
 }  
 /** 
  * 判断并返回队列是否为空 
  */  
 public boolean empty() {  
  return queue.isEmpty();  
 }  
}  

还需要一个数据结构来记录已经访问过的 URL，即Visited表。

考虑到这个表的作用，每当要访问一个 URL 的时候，首先在这个数据结构中进行查找，如果当前的 URL 已经存在，则丢弃这个URL任务。

这个数据结构需要不重复并且能快速查找，所以选择HashSet来存储。

综上，我们另建一个SpiderQueue类来保存Visited表和TODO表：

[java] view plain copy
 print?
import java.util.HashSet;  
import java.util.Set;  
/** 
 * 自定义类 保存Visited表和unVisited表 
 */  
public class SpiderQueue {  
 /** 
  * 已访问的url集合，即Visited表 
  */  
 private static Set<Object> visitedUrl = new HashSet<>();  
 /** 
  * 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);  
 }  
 /** 
  * 获得已经访问的 URL 数目 
  */  
 public static int getVisitedUrlNum() {  
  return visitedUrl.size();  
 }  
 /** 
  * 待访问的url集合，即unVisited表 
  */  
 private static Queue unVisitedUrl = new Queue();  
 /** 
  * 获得UnVisited队列 
  */  
 public static Queue getUnVisitedUrl() {  
  return unVisitedUrl;  
 }  
 /** 
  * 未访问的unVisitedUrl出队列 
  */  
 public static Object unVisitedUrlDeQueue() {  
  return unVisitedUrl.deQueue();  
 }  
 /** 
  * 保证添加url到unVisitedUrl的时候每个 URL只被访问一次 
  */  
 public static void addUnvisitedUrl(String url) {  
  if (url != null && !url.trim().equals("") && !visitedUrl.contains(url)  
    && !unVisitedUrl.contians(url))  
   unVisitedUrl.enQueue(url);  
 }  
 /** 
  * 判断未访问的 URL队列中是否为空 
  */  
 public static boolean unVisitedUrlsEmpty() {  
  return unVisitedUrl.empty();  
 }  
}  

上面是一些自定义类的封装，接下来就是一个定义一个用来下载网页的工具类，我们将其定义为DownTool类：

[java] view plain copy
 print?
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 {  
 /** 
  * 根据 URL 和网页类型生成需要保存的网页的文件名，去除 URL 中的非文件名字符 
  */  
 private String getFileNameByUrl(String url, String contentType) {  
  // 移除 "http://" 这七个字符  
  url = url.substring(7);  
  // 确认抓取到的页面为 text/html 类型  
  if (contentType.indexOf("html") != -1) {  
   // 把所有的url中的特殊符号转化成下划线  
   url = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html";  
  } else {  
   url = url.replaceAll("[\\?/:*|<>\"]", "_") + "."  
     + contentType.substring(contentType.lastIndexOf("/") + 1);  
  }  
  return url;  
 }  
 /** 
  * 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();  
  }  
 }  
 // 下载 URL 指向的网页  
 public String downloadFile(String url) {  
  String filePath = null;  
  // 1.生成 HttpClinet对象并设置参数  
  HttpClient httpClient = new HttpClient();  
  // 设置 HTTP连接超时 5s  
  httpClient.getHttpConnectionManager().getParams()  
    .setConnectionTimeout(5000);  
  // 2.生成 GetMethod对象并设置参数  
  GetMethod getMethod = new GetMethod(url);  
  // 设置 get请求超时 5s  
  getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000);  
  // 设置请求重试处理  
  getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,  
    new DefaultHttpMethodRetryHandler());  
  // 3.执行GET请求  
  try {  
   int statusCode = httpClient.executeMethod(getMethod);  
   // 判断访问的状态码  
   if (statusCode != HttpStatus.SC_OK) {  
    System.err.println("Method failed: "  
      + getMethod.getStatusLine());  
    filePath = null;  
   }  
   // 4.处理 HTTP 响应内容  
   byte[] responseBody = getMethod.getResponseBody();// 读取为字节数组  
   // 根据网页 url 生成保存时的文件名  
   filePath = "temp\\"  
     + getFileNameByUrl(url,  
       getMethod.getResponseHeader("Content-Type")  
         .getValue());  
   saveToLocal(responseBody, filePath);  
  } catch (HttpException e) {  
   // 发生致命的异常，可能是协议不对或者返回的内容有问题  
   System.out.println("请检查你的http地址是否正确");  
   e.printStackTrace();  
  } catch (IOException e) {  
   // 发生网络异常  
   e.printStackTrace();  
  } finally {  
   // 释放连接  
   getMethod.releaseConnection();  
  }  
  return filePath;  
 }  
}  

在这里我们需要一个HtmlParserTool类来处理Html标记：

[java] view plain copy
 print?
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 {  
 // 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(url);  
   parser.setEncoding("gb2312");  
   // 过滤 <frame >标签的 filter，用来提取 frame 标签里的 src 属性  
   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 来设置过滤 <a> 标签和 <frame> 标签  
   OrFilter linkFilter = new OrFilter(new NodeClassFilter(  
     LinkTag.class), frameFilter);  
   // 得到所有经过过滤的标签  
   NodeList list = parser.extractAllNodesThatMatch(linkFilter);  
   for (int i = 0; i < list.size(); i++) {  
    Node tag = list.elementAt(i);  
    if (tag instanceof LinkTag)// <a> 标签  
    {  
     LinkTag link = (LinkTag) tag;  
     String linkUrl = link.getLink();// URL  
     if (filter.accept(linkUrl))  
      links.add(linkUrl);  
    } else// <frame> 标签  
    {  
     // 提取 frame 里 src 属性的链接， 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;  
 }  
}  

最后我们来写个爬虫类调用前面的封装类和函数：

[java] view plain copy
 print?
package controller;  
import java.util.Set;  
import model.LinkFilter;  
import model.SpiderQueue;  
public class BfsSpider {  
 /** 
  * 使用种子初始化URL队列 
  */  
 private void initCrawlerWithSeeds(String[] seeds) {  
  for (int i = 0; i < seeds.length; i++)  
   SpiderQueue.addUnvisitedUrl(seeds[i]);  
 }  
 // 定义过滤器，提取以 <a target=_blank href="http://www.xxxx.com/" style="color: rgb(0, 102, 153); text-decoration: none;">http://www.xxxx.com</a>开头的链接  
 public void crawling(String[] seeds) {  
  LinkFilter filter = new LinkFilter() {  
   public boolean accept(String url) {  
    if (url.startsWith("<a target=_blank href="http://www.baidu.com/" style="color: rgb(0, 102, 153); text-decoration: none;">http://www.baidu.com</a>"))  
     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 (!SpiderQueue.unVisitedUrlsEmpty()  
    && SpiderQueue.getVisitedUrlNum() <= 1000) {  
   // 队头 URL 出队列  
   String visitUrl = (String) SpiderQueue.unVisitedUrlDeQueue();  
   if (visitUrl == null)  
    continue;  
   DownTool downLoader = new DownTool();  
   // 下载网页  
   downLoader.downloadFile(visitUrl);  
   // 该 URL 放入已访问的 URL 中  
   SpiderQueue.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) {  
    SpiderQueue.addUnvisitedUrl(link);  
   }  
  }  
 }  
 // main 方法入口  
 public static void main(String[] args) {  
  BfsSpider crawler = new BfsSpider();  
  crawler.crawling(new String[] { "<a target=_blank href="http://www.baidu.com/" style="color: rgb(0, 102, 153); text-decoration: none;">http://www.baidu.com</a>" });  
 }  
}  

运行可以看到，爬虫已经把百度网页下所有的页面都抓取出来了：

以上就是java使用HttpClient工具包和宽度爬虫进行抓取内容的操作的全部内容。

来源：http://blog.csdn.net/zhihui1017/article/details/50511241

阅读全文

0 0