HttpClient 和 HtmlParser 实现简易爬虫

来源：互联网发布：淘宝开通淘金币抵扣编辑：程序博客网时间：2024/06/05 00:39

简易爬虫的实现
HttpClient 提供了便利的 HTTP 协议访问，使得我们可以很容易的得到某个网页的源码并保存在本地；HtmlParser 提供了如此简便灵巧的类库，可以从网页中便捷的提取出指向其他网页的超链接。笔者结合这两个开源包，构建了一个简易的网络爬虫。
爬虫 (Crawler) 原理
学过数据结构的读者都知道有向图这种数据结构。如下图所示，如果将网页看成是图中的某一个节点，而将网页中指向其他网页的链接看成是这个节点指向其他节点的边，那么我们很容易将整个 Internet 上的网页建模成一个有向图。理论上，通过遍历算法遍历该图，可以访问到Internet 上的几乎所有的网页。最简单的遍历就是宽度优先以及深度优先。以下笔者实现的简易爬虫就是使用了宽度优先的爬行策略。

图 2. 网页关系的建模图

简易爬虫实现流程
在看简易爬虫的实现代码之前，先介绍一下简易爬虫爬取网页的流程。

图 3. 爬虫流程图

各个类的源码以及说明
对应上面的流程图，简易爬虫由下面几个类组成，各个类职责如下：
Crawler.java：爬虫的主方法入口所在的类，实现爬取的主要流程。
LinkDb.java：用来保存已经访问的 url 和待爬取的 url 的类，提供url出对入队操作。
Queue.java：实现了一个简单的队列，在 LinkDb.java 中使用了此类。
FileDownloader.java：用来下载 url 所指向的网页。
HtmlParserTool.java：用来抽取出网页中的链接。
LinkFilter.java：一个接口，实现其 accept() 方法用来对抽取的链接进行过滤。
下面是各个类的源码，代码中的注释有比较详细的说明。

清单6 Crawler.java

[java] view plaincopy
package com.ie;  
  
import java.util.Set;  
public class Crawler {  
    /* 使用种子 url 初始化 URL 队列*/  
    private void initCrawlerWithSeeds(String[] seeds)  
    {  
        for(int i=0;i<seeds.length;i++)  
            LinkDB.addUnvisitedUrl(seeds[i]);  
    }  
      
    /* 爬取方法*/  
    public void crawling(String[] seeds)  
    {  
        LinkFilter filter = new LinkFilter(){  
            //提取以 http://www.twt.edu.cn 开头的链接  
            public boolean accept(String url) {  
                if(url.startsWith("http://www.twt.edu.cn"))  
                    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(!LinkDB.unVisitedUrlsEmpty()&&LinkDB.getVisitedUrlNum()<=1000)  
        {  
            //队头 URL 出对  
            String visitUrl=LinkDB.unVisitedUrlDeQueue();  
            if(visitUrl==null)  
                continue;  
            FileDownLoader downLoader=new FileDownLoader();  
            //下载网页  
            downLoader.downloadFile(visitUrl);  
            //该 url 放入到已访问的 URL 中  
            LinkDB.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)  
            {  
                    LinkDB.addUnvisitedUrl(link);  
            }  
        }  
    }  
    //main 方法入口  
    public static void main(String[]args)  
    {  
        Crawler crawler = new Crawler();  
        crawler.crawling(new String[]{"http://www.twt.edu.cn"});  
    }  
}  

清单7 LinkDb.java

[java] view plaincopy
package com.ie;  
  
import java.util.HashSet;  
import java.util.Set;  
  
/** 
 * 用来保存已经访问过 Url 和待访问的 Url 的类 
 */  
public class LinkDB {  
  
    //已访问的 url 集合  
    private static Set<String> visitedUrl = new HashSet<String>();  
    //待访问的 url 集合  
    private static Queue<String> unVisitedUrl = new Queue<String>();  
  
      
    public static Queue<String> getUnVisitedUrl() {  
        return unVisitedUrl;  
    }  
  
    public static void addVisitedUrl(String url) {  
        visitedUrl.add(url);  
    }  
  
    public static void removeVisitedUrl(String url) {  
        visitedUrl.remove(url);  
    }  
  
    public static String unVisitedUrlDeQueue() {  
        return unVisitedUrl.deQueue();  
    }  
  
    // 保证每个 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);  
    }  
  
    public static int getVisitedUrlNum() {  
        return visitedUrl.size();  
    }  
  
    public static boolean unVisitedUrlsEmpty() {  
        return unVisitedUrl.empty();  
    }  
}  

清单8 Queue.java

[java] view plaincopy
package com.ie;  
  
import java.util.LinkedList;  
/** 
 * 数据结构队列 
 */  
public class Queue<T> {  
  
    private LinkedList<T> queue=new LinkedList<T>();  
      
    public void enQueue(T t)  
    {  
        queue.addLast(t);  
    }  
      
    public T deQueue()  
    {  
        return queue.removeFirst();  
    }  
      
    public boolean isQueueEmpty()  
    {  
        return queue.isEmpty();  
    }  
      
    public boolean contians(T t)  
    {  
        return queue.contains(t);  
    }  
      
    public boolean empty()  
    {  
        return queue.isEmpty();  
    }  
}  

清单 9 FileDownLoader.java

[java] view plaincopy
package com.ie;  
  
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 FileDownLoader {  
      
    /**根据 url 和网页类型生成需要保存的网页的文件名 
     *去除掉 url 中非文件名字符  
     */  
    public  String getFileNameByUrl(String url,String contentType)  
    {  
        url=url.substring(7);//remove http://  
        if(contentType.indexOf("html")!=-1)//text/html  
        {  
            url= url.replaceAll("[\\?/:*|<>\"]", "_")+".html";  
            return url;  
        }  
        else//如application/pdf  
        {  
return url.replaceAll("[\\?/:*|<>\"]", "_")+"."+ \  
          contentType.substring(contentType.lastIndexOf("/")+1);  
        }     
    }  
  
    /**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 HTTP 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("Please check your provided http   
address!");  
                   e.printStackTrace();  
                  } catch (IOException e) {  
                   // 发生网络异常  
                   e.printStackTrace();  
                  } finally {  
                   // 释放连接  
                   getMethod.releaseConnection();            
                  }  
                  return filePath;  
    }  
    //测试的 main 方法  
    public static void main(String[]args)  
    {  
        FileDownLoader downLoader = new FileDownLoader();  
        downLoader.downloadFile("http://www.twt.edu.cn");  
    }  
}  

清单 10 HtmlParserTool.java

[java] view plaincopy
package com.ie;  
  
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 {  
    // 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 属性所表示的链接  
            NodeFilter frameFilter = new NodeFilter() {  
                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;  
    }  
    //测试的 main 方法  
    public static void main(String[]args)  
    {  
Set<String> links = HtmlParserTool.extracLinks(  
"http://www.twt.edu.cn",new LinkFilter()  
        {  
            //提取以 http://www.twt.edu.cn 开头的链接  
            public boolean accept(String url) {  
                if(url.startsWith("http://www.twt.edu.cn"))  
                    return true;  
                else  
                    return false;  
            }  
              
        });  
        for(String link : links)  
            System.out.println(link);  
    }  
}  

清单11 LinkFilter.java

[java] view plaincopy
package com.ie;  
  
public interface LinkFilter {  
    public boolean accept(String url);  
}  

这些代码中关键的部分都在 HttpClient 和 HtmlParser 介绍中说明过了，其他部分也比较容易，请感兴趣的读者自行理解。

0 0