几个简单网络爬虫的例子--还没验证
来源:互联网 发布:广电总局的网络 编辑:程序博客网 时间:2024/04/27 17:47
一个简单的java网络爬虫,由于时间原因,没有进一步解释.
需要的htmlparser.jar包到官方网上去下.
- ---------------------------------------------Spider.java-----------------------------------------------------------------
- import java.io.BufferedReader;
- import java.io.InputStreamReader;
- import java.net.URL;
- import java.net.URLConnection;
- import java.util.ArrayList;
- import java.util.HashMap;
- import java.util.Iterator;
- import java.util.List;
- import org.htmlparser.RemarkNode;
- import org.htmlparser.StringNode;
- import org.htmlparser.Node;
- import org.htmlparser.tags.*;
- import org.htmlparser.Parser;
- import org.htmlparser.filters.StringFilter;
- import org.htmlparser.util.NodeIterator;
- import org.htmlparser.util.NodeList;
- import org.htmlparser.util.ParserException;
- import java.util.Queue;
- import java.util.LinkedList;
- public class Spider implements Runnable {
- boolean search_key_words = false;
- int count = 0;
- int limitsite = 10;
- int countsite = 1;
- String keyword = "中国";//搜索关键字
- Parser parser = new Parser();
- // List linklist = new ArrayList();
- String startsite = "";//搜索的其实站点
- SearchResultBean srb;//保存搜索结果
- List resultlist = new ArrayList();//搜索到关键字链接列表
- List searchedsite = new ArrayList();//已经被搜索站点列表
- Queue linklist = new LinkedList();//需解析的链接列表
- HashMap<String, ArrayList<String>> disallowListCache = new HashMap<String, ArrayList<String>>();
- public Spider(String keyword, String startsite) {
- this.keyword = keyword;
- this.startsite = startsite;
- linklist.add(startsite);
- srb = new SearchResultBean();
- }
- public void run() {
- // TODO Auto-generated method stub
- search(linklist);
- }
- public void search(Queue queue) {
- String url = "";
- while(!queue.isEmpty()){
- url = queue.peek().toString();//查找列队
- try {
- if (!isSearched(searchedsite, url)) {
- if (isRobotAllowed(new URL(url)))//检查该链接是否被允许搜索
- processHtml(url);
- else
- System.out.println("this page is disallowed to search");
- }
- } catch (Exception ex) {
- }
- queue.remove();
- }
- }
- /**
- * 解析HTML
- * @param url
- * @throws ParserException
- * @throws Exception
- */
- public void processHtml(String url) throws ParserException, Exception {
- searchedsite.add(url);
- count = 0;
- System.out.println("searching ... :" + url);
- parser.setURL(url);
- parser.setEncoding("GBK");
- URLConnection uc = parser.getConnection();
- uc.connect();
- //uc.getLastModified();
- NodeIterator nit = parser.elements();
- while (nit.hasMoreNodes()) {
- Node node = nit.nextNode();
- parserNode(node);
- }
- srb.setKeywords(keyword);
- srb.setUrl(url);
- srb.setCount_key_words(count);
- resultlist.add(srb);
- System.out.println("count keywords is :" + count);
- System.out.println("----------------------------------------------");
- }
- /**
- * 处理HTML标签
- * @param tag
- * @throws Exception
- */
- public void dealTag(Tag tag) throws Exception {
- NodeList list = tag.getChildren();
- if (list != null) {
- NodeIterator it = list.elements();
- while (it.hasMoreNodes()) {
- Node node = it.nextNode();
- parserNode(node);
- }
- }
- }
- /**
- * 处理HTML标签结点
- * @param node
- * @throws Exception
- */
- public void parserNode(Node node) throws Exception{
- if (node instanceof StringNode) {//判断是否是文本结点
- StringNode sNode = (StringNode) node;
- StringFilter sf = new StringFilter(keyword,false);
- search_key_words = sf.accept(sNode);
- if (search_key_words) {
- count++;
- }
- // System.out.println("text is :"+sNode.getText().trim());
- } else if (node instanceof Tag) {//判断是否是标签库结点
- Tag atag = (Tag) node;
- if (atag instanceof TitleTag) {//判断是否是标TITLE结点
- srb.setTitle(atag.getText());
- }
- if (atag instanceof LinkTag) {//判断是否是标LINK结点
- LinkTag linkatag = (LinkTag) atag;
- checkLink(linkatag.getLink(), linklist);
- // System.out.println("-----------------this is link --------------");
- }
- dealTag(atag);
- } else if (node instanceof RemarkNode) {//判断是否是注释
- // System.out.println("this is remark");
- }
- }
- /*
- * 检查链接是否需要加入列队
- */
- public void checkLink(String link, Queue queue) {
- if (link != null && !link.equals("") && link.indexOf("#") == -1) {
- if (!link.startsWith("http://") && !link.startsWith("ftp://")
- && !link.startsWith("www.")) {
- link = "file:///" + link;
- } else if (link.startsWith("www.")) {
- link = "http://" + link;
- }
- if (queue.isEmpty())
- queue.add(link);
- else {
- String link_end_=link.endsWith("/")?link.substring(0,link.lastIndexOf("/")):(link+"/");
- if (!queue.contains(link)&&!queue .contains(link_end_)) {
- queue.add(link);
- }
- }
- }
- }
- /**
- * 检查该链接是否已经被扫描
- * @param list
- * @param url
- * @return
- */
- public boolean isSearched(List list, String url) {
- String url_end_ = "";
- if (url.endsWith("/")) {
- url_end_ = url.substring(0, url.lastIndexOf("/"));
- } else {
- url_end_ = url + "/";
- }
- if (list.size() > 0) {
- if (list.indexOf(url) != -1 || list.indexOf(url_end_) != -1) {
- return true;
- }
- }
- return false;
- }
- /**
- * 检查URL是否被允许搜索
- * @param urlToCheck
- * @return
- */
- private boolean isRobotAllowed(URL urlToCheck) {
- String host = urlToCheck.getHost().toLowerCase();// 获取给出RUL的主机
- // System.out.println("主机="+host);
- // 获取主机不允许搜索的URL缓存
- ArrayList<String> disallowList = disallowListCache.get(host);
- // 如果还没有缓存,下载并缓存。
- if (disallowList == null) {
- disallowList = new ArrayList<String>();
- try {
- URL robotsFileUrl = new URL("http://" + host + "/robots.txt");
- BufferedReader reader = new BufferedReader(
- new InputStreamReader(robotsFileUrl.openStream()));
- // 读robot文件,创建不允许访问的路径列表。
- String line;
- while ((line = reader.readLine()) != null) {
- if (line.indexOf("Disallow:") == 0) {// 是否包含"Disallow:"
- String disallowPath = line.substring("Disallow:"
- .length());// 获取不允许访问路径
- // 检查是否有注释。
- int commentIndex = disallowPath.indexOf("#");
- if (commentIndex != -1) {
- disallowPath = disallowPath.substring(0,
- commentIndex);// 去掉注释
- }
- disallowPath = disallowPath.trim();
- disallowList.add(disallowPath);
- }
- }
- for (Iterator it = disallowList.iterator(); it.hasNext();) {
- System.out.println("Disallow is :" + it.next());
- }
- // 缓存此主机不允许访问的路径。
- disallowListCache.put(host, disallowList);
- } catch (Exception e) {
- return true; // web站点根目录下没有robots.txt文件,返回真
- }
- }
- String file = urlToCheck.getFile();
- // System.out.println("文件getFile()="+file);
- for (int i = 0; i < disallowList.size(); i++) {
- String disallow = disallowList.get(i);
- if (file.startsWith(disallow)) {
- return false;
- }
- }
- return true;
- }
- public static void main(String[] args) {
- Spider ph = new Spider("英超", "http://www.microsoft.com");
- try {
- // ph.processHtml();
- Thread search = new Thread(ph);
- search.start();//启动线程
- } catch (Exception ex) {
- }
- }
- }
- --------------------------------------SearchResultBean.java---------------------------------------------------------
- public class SearchResultBean {
- String url = "";
- String title = "";
- String keywords = "";
- int count_key_words = 0;
- public int getCount_key_words() {
- return count_key_words;
- }
- public void setCount_key_words(int count_key_words) {
- this.count_key_words = count_key_words;
- }
- public String getKeywords() {
- return keywords;
- }
- public void setKeywords(String keywords) {
- this.keywords = keywords;
- }
- public String getTitle() {
- return title;
- }
- public void setTitle(String title) {
- this.title = title;
- }
- public String getUrl() {
- return url;
- }
- public void setUrl(String url) {
- this.url = url;
- }
- }
import java.io.BufferedReader;
import java.io.IOException;import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.MalformedURLException;
import java.net.URL;
import java.util.ArrayList;
import java.util.Hashtable;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class NetBug {
List<String> findUrls = new ArrayList<String>();//所有发现的url
List<String> pendUrls = new ArrayList<String>();//待处理的url
Hashtable<String, Integer> deepUrls = new Hashtable<String, Integer>();// 存储所有URL深度
String HomePage;//主页
int webDepth = 2;//搜索深度
private String myDomain;
public static void main(String[] args) {
NetBug nb = new NetBug();
nb.HomePage = "http://www.renren.com";
nb.startHmpg();
} public synchronized String getAUrl() {
String tmpAUrl = pendUrls.get(0);// 未处理的url
pendUrls.remove(0);
return tmpAUrl;
}
public String getDomain() {
String reg = "(?<=http\\://[a-zA-Z0-9]{0,100}[.]{0,1})[^.\\s]*?\\.(com|cn|net|org|biz|info|cc|tv)";
Pattern p = Pattern.compile(reg, Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(HomePage);
boolean blnp = m.find();
if (blnp == true) {
return m.group(0);
}
return null;
}
public void startHmpg(){
this.myDomain = getDomain();
findUrls.add(HomePage);
pendUrls.add(HomePage);
deepUrls.put(HomePage, 1); System.out.println("Start!"); String tmp = getAUrl();
URL url = null;
try {
url = new URL(tmp);
//System.out.println(url.toString());System.exit(0);
} catch (MalformedURLException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
this.findUrlFromHtml(url);
int i = 0;
for (i = 0; i < 8; i++) {
new Thread(new Processer(this)).start();
}
}
public void findUrlFromHtml(URL url){
// String ptn = "http://([\\w-]+\\.)+[\\w-]+(/[\\w-./?%&=]*)?";
String ptn = "(?<=(href=)[\"]?[\']?)[http://][^\\s\"\'\\?]*("
+ myDomain + ")[^\\s\"\'>]*";
Pattern p = Pattern.compile(ptn, Pattern.CASE_INSENSITIVE);
BufferedReader br = null;
HttpURLConnection conn;
try {
conn = (HttpURLConnection) url.openConnection();
br = new BufferedReader(new InputStreamReader(conn.getInputStream()));
String line;
while ((line = br.readLine()) != null) {
// System.out.println(line);
Matcher m = p.matcher(line);
if (deepUrls.get(url.toString()) < webDepth){
while (m.find()) {
if(!findUrls.contains(m.group())){
System.out.println(m.group());
findUrls.add(m.group());
pendUrls.add(m.group());
deepUrls.put(m.group(0), (deepUrls.get(url.toString()) + 1));
}
}
}
}
System.out.println("Get web successfully! " + url);
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
try {
br.close();
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
class Processer implements Runnable {
NetBug nb;
String s;
public Processer(NetBug nb) {
this.nb = nb;
}
public Processer(NetBug nb,String s) {
this.nb = nb;
this.s = s;
} public void run() {
// Thread.sleep(5000);
while (!pendUrls.isEmpty()){
try {
String tmp = getAUrl();
URL url = null;
url = new URL(tmp);
nb.findUrlFromHtml(url);
} catch (MalformedURLException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
}
}
}
百度贴吧的链接都是相对链接。。。懒得搞了。。。
周末有时间搞一下,提取出贴吧各个帖子的邮箱出来。。。
然后再写个程序群发垃圾邮件。。。
教你如何编写简单的网络爬虫
作者: 字体:[增加 减小] 类型:转载 时间:2013-10-12 我要评论
实际的爬虫是从一系列的种子链接开始。种子链接是起始节点,种子页面的超链接指向的页面是子节点(中间节点),对于非html文档,如excel等,不能从中提取超链接,看做图的终端节点
一、网络爬虫的基本知识
网络爬虫通过遍历互联网络,把网络中的相关网页全部抓取过来,这体现了爬的概念。爬虫如何遍历网络呢,互联网可以看做是一张大图,每个页面看做其中的一个节点,页面的连接看做是有向边。图的遍历方式分为宽度遍历和深度遍历,但是深度遍历可能会在深度上过深的遍历或者陷入黑洞。所以,大多数爬虫不采用这种形式。另一方面,爬虫在按照宽度优先遍历的方式时候,会给待遍历的网页赋予一定优先级,这种叫做带偏好的遍历。
实际的爬虫是从一系列的种子链接开始。种子链接是起始节点,种子页面的超链接指向的页面是子节点(中间节点),对于非html文档,如excel等,不能从中提取超链接,看做图的终端节点。整个遍历过程中维护一张visited表,记录哪些节点(链接)已经处理过了,跳过不作处理。
使用宽度优先搜索策略,主要原因有:
a、重要的网页一般离种子比较近,例如我们打开的新闻网站时候,往往是最热门的新闻,随着深入冲浪,网页的重要性越来越低。
b、万维网实际深度最多达17层,但到达某个网页总存在一条很短路径,而宽度优先遍历可以最快的速度找到这个网页
c、宽度优先有利于多爬虫合作抓取。
二、网络爬虫的简单实现
1、定义已访问队列,待访问队列和爬取得URL的哈希表,包括出队列,入队列,判断队列是否空等操作
复制代码 代码如下:
package webspider;
import java.util.HashSet;
import java.util.PriorityQueue;
import java.util.Set;
import java.util.Queue;
public class LinkQueue {
// 已访问的 url 集合
private static Set visitedUrl = new HashSet();
// 待访问的 url 集合
private static Queue unVisitedUrl = new PriorityQueue();
// 获得URL队列
public static Queue getUnVisitedUrl() {
return unVisitedUrl;
}
// 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);
}
// 未访问的URL出队列
public static Object unVisitedUrlDeQueue() {
return unVisitedUrl.poll();
}
// 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.contains(url))
unVisitedUrl.add(url);
}
// 获得已经访问的URL数目
public static int getVisitedUrlNum() {
return visitedUrl.size();
}
// 判断未访问的URL队列中是否为空
public static boolean unVisitedUrlsEmpty() {
return unVisitedUrl.isEmpty();
}
}
2、定义DownLoadFile类,根据得到的url,爬取网页内容,下载到本地保存。此处需要引用commons-httpclient.jar,commons-codec.jar,commons-logging.jar。
复制代码 代码如下:
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) {
// remove http://
url = url.substring(7);
// text/html类型
if (contentType.indexOf("html") != -1) {
url = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html";
return url;
}
// 如application/pdf类型
else {
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 = "f:\\spider\\"
+ 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;
}
}
3、定义HtmlParserTool类,用来获得网页中的超链接(包括a标签,frame中的src等等),即为了得到子节点的URL。需要引入htmlparser.jar
复制代码 代码如下:
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 {
// 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("utf-8");
// 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;
}
}
4、编写测试类MyCrawler,用来测试爬取效果
复制代码 代码如下:
package webspider;
import java.util.Set;
public class MyCrawler {
/**
* 使用种子初始化 URL 队列
*
* @return
* @param seeds
* 种子URL
*/
private void initCrawlerWithSeeds(String[] seeds) {
for (int i = 0; i < seeds.length; i++)
LinkQueue.addUnvisitedUrl(seeds[i]);
}
/**
* 抓取过程
*
* @return
* @param seeds
*/
public void crawling(String[] seeds) { // 定义过滤器,提取以http://www.lietu.com开头的链接
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 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 (!LinkQueue.unVisitedUrlsEmpty()
&& LinkQueue.getVisitedUrlNum() <= 1000) {
// 队头URL出队列
String visitUrl = (String) LinkQueue.unVisitedUrlDeQueue();
if (visitUrl == null)
continue;
DownLoadFile downLoader = new DownLoadFile();
// 下载网页
downLoader.downloadFile(visitUrl);
// 该 url 放入到已访问的 URL 中
LinkQueue.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) {
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文件夹下面已经出现了很多html文件,都是关于百度的,以“www.baidu.com”为开头。
0 0
- 几个简单网络爬虫的例子--还没验证
- 网络爬虫的简单例子
- 网络爬虫之简单例子
- 几个Java的网络爬虫
- 几个Java的网络爬虫
- 简单的网络爬虫
- 几个简单的SQL例子
- html5的几个简单例子
- 几个简单的博弈例子
- 【转】几个Java的网络爬虫
- 关于火车头网络爬虫的几个常见问题
- javascript 的几个简单验证
- 我的简单网络爬虫
- 编写简单的网络爬虫
- [python]简单的网络爬虫
- 网络爬虫的简单实现
- 批处理的简单网络爬虫
- 创建一个分布式网络爬虫的例子
- spring mvc 文件上传并携带其他参数
- Android图片加载框架Picasso最全使用教程 三
- 最长字串和
- 内核数据结构总结
- xcode中不小心删除了xcode里面的storyboard怎么办?
- 几个简单网络爬虫的例子--还没验证
- 进程强杀
- Codeforces Round #346 (Div. 2)
- UVa 10391 - Compound Words
- [IO]——路径
- [IO]——File对象
- 二叉树的遍历方法之层序-先序-中序-后序遍历的简单讲解和代码示例
- [IO]——创建文件
- [IO]——操作目录