网页爬虫

 一. 前言 

  最近要测试修改一个反爬虫代码， 之前一直没接触过反爬虫， 只闻其声不见其人。 

  既然要反爬虫， 肯定要理解爬虫的思维方式， 见招拆招， 不过遗憾的是只要你想爬没啥爬不到的， 比如控制下爬取频率， 用无数个代理小量多次爬取， 反爬虫只能说是尽量增加一些爬取的门槛吧， 至少把一些练手的小爬虫（比如现在这个小菜鸡爬虫）挡在外面， 减少些负载。

二. 设计思路

（1）一个收集所需网页全站或者指定子域名的链接队列

（2）一个存放将要访问的URL队列（跟上述有点重复， 用空间换时间， 提升爬取速度）

（3）一个保存已访问过URL的数据结构

数据结构有了， 接下来就是算法了， 一般推荐采取广度优先的爬取算法， 免得中了反爬虫的某些循环无限深度的陷阱。

使用了 jsoup （一个解析HTML元素的Lib）和 httpclient (网络请求包)来简化代码实现。

三. 代码实现

上述三种数据结构：

// 已爬取URL  <URL, isAccess>    final static ConcurrentHashMap<String, Boolean> urlQueue = new ConcurrentHashMap<String, Boolean>();    // 待爬取URL    final static ConcurrentLinkedDeque<String> urlWaitingQueue = new ConcurrentLinkedDeque<String>();    // 待扫描网页URL队列    final static ConcurrentLinkedDeque<String> urlWaitingScanQueue = new ConcurrentLinkedDeque<String>();

入队等待：

/**     * url store in the waiting queue     * @param originalUrl     * @throws Exception     */    private static void enterWaitingQueue(final String originalUrl) throws Exception{        String url = urlWaitingScanQueue.poll();        // if accessed, ignore the url        /*while (urlQueue.containsKey(url)) {            url = urlWaitingQueue.poll();        }*/        final String finalUrl = url;        Thread.sleep(600);        new Thread(new Runnable() {            public void run() {                try{                    if (finalUrl != null) {                        Connection conn = Jsoup.connect(finalUrl);                        Document doc = conn.get();                        //urlQueue.putIfAbsent(finalUrl, Boolean.TRUE); // accessed                        logger.info("扫描网页URL： " + finalUrl);                        Elements links = doc.select("a[href]");                        for (int linkNum = 0; linkNum < links.size(); linkNum++) {                            Element element = links.get(linkNum);                            String suburl = element.attr("href");                            // 某条件下， 并且原来没访问过                            if (!urlQueue.containsKey(suburl)) {                                    urlWaitingScanQueue.offer(suburl);                                    urlWaitingQueue.offer(suburl);                                    logger.info("URL入队等待" + linkNum + ": " + suburl);                                }                            }                        }                    }                } catch (Exception ee) {                    logger.error("muti thread executing error, url: " + finalUrl, ee);                }            }        }).start();    }

访问页面：

private static void viewPages() throws Exception{        Thread.sleep(500);        new Thread(new Runnable() {            @Override            public void run() {                try {                    while(!urlWaitingQueue.isEmpty()) {                        String url = urlWaitingQueue.peek();                        final String finalUrl = url;                        // build a client, like open a browser                        CloseableHttpClient httpClient = HttpClients.createDefault();                        // create get method, like input url in the browser                        //HttpGet httpGet = new HttpGet("http://www.dxy.cn");                        HttpPost httpPost = new HttpPost(finalUrl);                        StringBuffer stringBuffer = new StringBuffer();                        HttpResponse response;                        //List<NameValuePair> keyValue = new ArrayList<NameValuePair>();                        //  Post parameter                        //            keyValue.add(new BasicNameValuePair("username", "zhu"));                        //                        //            httpPost.setEntity(new UrlEncodedFormEntity(keyValue, "UTF-8"));                        // access and get response                        response = httpClient.execute(httpPost);                        // record access URL                        urlQueue.putIfAbsent(finalUrl, Boolean.TRUE);                        if (response.getStatusLine().getStatusCode() == HttpStatus.SC_OK) {                            HttpEntity httpEntity = response.getEntity();                            if (httpEntity != null) {                                logger.info("viewPages访问URL：" + finalUrl);                                BufferedReader reader = new BufferedReader(                                        new InputStreamReader(httpEntity.getContent(), "UTF-8"));                                String line = null;                                if (httpEntity.getContentLength() > 0) {                                    stringBuffer = new StringBuffer((int) httpEntity.getContentLength());                                    while ((line = reader.readLine()) != null) {                                        stringBuffer.append(line);                                    }                                    System.out.println(finalUrl + "内容: " + stringBuffer);                                }                            }                        }                    }                } catch (Exception e) {                    logger.error("view pages error", e);                }            }        }).start();    }

三. 总结及将来要实现功能

以上贴出了简易版Java爬虫的核心实现模块， 基本上拿起来就能测试。

比如前言所提到的控制爬取速度（调度模块）， 使用代理IP访问（收集网络代理模块）的实现在后续版本中会慢慢加上...