java實(shí)現(xiàn)網(wǎng)頁爬蟲的示例講解
這一篇目的就是在于網(wǎng)頁爬蟲的實(shí)現(xiàn)，對(duì)數(shù)據(jù)的獲取，以便分析。
目錄：
1、爬蟲原理
2、本地文件數(shù)據(jù)提取及分析
3、單網(wǎng)頁數(shù)據(jù)的讀取
4、運(yùn)用正則表達(dá)式完成超連接的連接匹配和提取
5、廣度優(yōu)先遍歷，多網(wǎng)頁的數(shù)據(jù)爬取
6、多線程的網(wǎng)頁爬取
7、總結(jié)
爬蟲實(shí)現(xiàn)原理
網(wǎng)絡(luò)爬蟲基本技術(shù)處理
網(wǎng)絡(luò)爬蟲是數(shù)據(jù)采集的一種方法，實(shí)際項(xiàng)目開發(fā)中，通過爬蟲做數(shù)據(jù)采集一般只有以下幾種情況：
1） 搜索引擎
2） 競(jìng)品調(diào)研
3） 輿情監(jiān)控
4） 市場(chǎng)分析
網(wǎng)絡(luò)爬蟲的整體執(zhí)行流程：
1） 確定一個(gè)（多個(gè)）種子網(wǎng)頁
2） 進(jìn)行數(shù)據(jù)的內(nèi)容提取
3） 將網(wǎng)頁中的關(guān)聯(lián)網(wǎng)頁連接提取出來
4） 將尚未爬取的關(guān)聯(lián)網(wǎng)頁內(nèi)容放到一個(gè)隊(duì)列中
5） 從隊(duì)列中取出一個(gè)待爬取的頁面，判斷之前是否爬過。
6） 把沒有爬過的進(jìn)行爬取，并進(jìn)行之前的重復(fù)操作。
7） 直到隊(duì)列中沒有新的內(nèi)容，爬蟲執(zhí)行結(jié)束。
這樣完成爬蟲時(shí)，會(huì)有一些概念必須知道的：
1） 深度（depth）：一般來說，表示從種子頁到當(dāng)前頁的打開連接數(shù)，一般建議不要超過5層。
2） 廣度（寬度）優(yōu)先和深度優(yōu)先：表示爬取時(shí)的優(yōu)先級(jí)。建議使用廣度優(yōu)先，按深度的層級(jí)來順序爬取。
Ⅰ 在進(jìn)行網(wǎng)頁爬蟲前，我們先針對(duì)一個(gè)飛機(jī)事故失事的文檔進(jìn)行數(shù)據(jù)提取的練習(xí)，主要是溫習(xí)一下上一篇的java知識(shí)，也是為了下面爬蟲實(shí)現(xiàn)作一個(gè)熱身準(zhǔn)備。
首先分析這個(gè)文檔，
，關(guān)于美國歷來每次飛機(jī)失事的數(shù)據(jù)，包含時(shí)間地點(diǎn)、駕駛員、死亡人數(shù)、總?cè)藬?shù)、事件描述，一共有12列，第一列是標(biāo)題，下面一共有5268條數(shù)據(jù)。
現(xiàn)在我要對(duì)這個(gè)文件進(jìn)行數(shù)據(jù)提取，并實(shí)現(xiàn)一下分析：
根據(jù)飛機(jī)事故的數(shù)據(jù)文檔來進(jìn)行簡(jiǎn)單數(shù)據(jù)統(tǒng)計(jì)。
1） 哪年出事故次數(shù)最多
2） 哪個(gè)時(shí)間段（上午 8 – 12，下午 12 – 18，晚上 18 – 24，凌晨 0 – 8 ）事故出現(xiàn)次數(shù)最多。
3） 哪年死亡人數(shù)最多
4）哪條數(shù)據(jù)的幸存率最高。
代碼實(shí)現(xiàn)：（一切知識(shí)從源碼獲?。。?/strong>
package com.plane;
import java.io.*;
import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.*;
/**
* 飛機(jī)事故統(tǒng)計(jì)
* @author k04
*sunwengang
*2017-08-11
*/
public class planeaccident {
//數(shù)據(jù)獲取存取鏈表
private static List<String> alldata=new ArrayList<>();
public static void main(String args[]){
getData("飛行事故數(shù)據(jù)統(tǒng)計(jì)_Since_1908.csv");
alldata.remove(0);
//System.out.println(alldata.size());
//死亡人數(shù)最多的年份
MaxDeadYear();
//事故發(fā)生次數(shù)最多的年份
MaxAccidentsYear();
//事故各個(gè)時(shí)間段發(fā)生的次數(shù)
FrequencyPeriod();
//幸村率最高的一條數(shù)據(jù)
MaximumSurvival();
}
/**
* 從源文件爬取數(shù)據(jù)
* getData(String filepath)
* @param filepath
*/
public static void getData(String filepath){
File f=new File(filepath);
//行讀取數(shù)據(jù)
try{
BufferedReader br=new BufferedReader(new FileReader(f));
String line=null;
while((line=(br.readLine()))!=null){
alldata.add(line);
}
br.close();
}catch(Exception e){
e.printStackTrace();
}
}
/**
* 記錄每年對(duì)應(yīng)的死亡人數(shù)
* @throws
* 并輸出死亡人數(shù)最多的年份，及該年死亡人數(shù)
*/
public static void MaxDeadYear(){
//記錄年份對(duì)應(yīng)死亡人數(shù)
Map<Integer,Integer> map=new HashMap<>();
//時(shí)間用date顯示
SimpleDateFormat sdf=new SimpleDateFormat("MM/dd/YYYY");
//循環(huán)所有數(shù)據(jù)
for(String data:alldata){
//用逗號(hào)將數(shù)據(jù)分離，第一個(gè)是年份，第11個(gè)是死亡人數(shù)
String[] strs=data.split(",");
if(strs[0]!=null){
//獲取年份
try {
Date date=sdf.parse(strs[0]);
int year=date.getYear();
//判斷map中是否記錄過這個(gè)數(shù)據(jù)
if(map.containsKey(year)){
//已存在，則記錄數(shù)+該年死亡人數(shù)
map.put(year, map.get(year)+Integer.parseInt(strs[10]));
}else{
map.put(year, Integer.parseInt(strs[10]));
}
} catch (Exception e) {
// TODO Auto-generated catch block
}
}
}
//System.out.println(map);
//記錄死亡人數(shù)最多的年份
int max_year=-1;
//記錄死亡人數(shù)
int dead_count=0;
//用set無序獲取map中的key值，即年份
Set<Integer> keyset=map.keySet();
//
for(int year:keyset){
//當(dāng)前年事故死亡最多的年份，記錄年和次數(shù)
if(map.get(year)>dead_count&&map.get(year)<10000){
max_year=year;
dead_count=map.get(year);
}
}
System.out.println("死亡人數(shù)最多的年份:"+(max_year+1901)+" 死亡人數(shù)："+dead_count);
}
/**
* 記錄事故次數(shù)最多的年份
* 輸出該年及事故次數(shù)
*/
public static void MaxAccidentsYear(){
//存放年份，該年的事故次數(shù)
Map<Integer,Integer> map=new HashMap<>();
SimpleDateFormat sdf =new SimpleDateFormat("MM/dd/YYYY");
//循環(huán)所有數(shù)據(jù)
for(String data:alldata){
String[] strs=data.split(",");
if(strs[0]!=null){
try {
Date date=sdf.parse(strs[0]);
//獲取年份
int year=date.getYear();
//判斷是否存在記錄
if(map.containsKey(year)){
//已存在記錄，+1
map.put(year, map.get(year)+1);
}else{
map.put(year, 1);
}
} catch (Exception e) {
// TODO Auto-generated catch block
}
}
}
//記錄事故次數(shù)最多的年份
int max_year=0;
//該年事故發(fā)生次數(shù)
int acc_count=0;
//循環(huán)所有數(shù)據(jù)，獲取事故次數(shù)最多的年份
Set<Integer> keyset=map.keySet();
for(int year:keyset){
if(map.get(year)>acc_count){
max_year=year;
acc_count=map.get(year);
}
}
//輸出結(jié)果
System.out.println("事故次數(shù)最多的年份"+(max_year+1901)+" 該年事故發(fā)生次數(shù)："+acc_count);
}
/**
* FrequencyPeriod()
* 各個(gè)時(shí)間段發(fā)生事故的次數(shù)
*/
public static void FrequencyPeriod(){
//key為時(shí)間段，value為發(fā)生事故次數(shù)
Map<String,Integer> map=new HashMap<>();
//String數(shù)組存放時(shí)間段
String[] strsTime={"上午（6:00~12:00）","下午（12:00~18:00）","晚上（18:00~24:00）","凌晨（0:00~6:00）"};
//小時(shí)：分鐘
SimpleDateFormat sdf=new SimpleDateFormat("HH:mm");
for(String data:alldata){
String[] strs=data.split(",");
//判斷時(shí)間是否記錄，未記錄則忽略
if(strs[1]!=null){
try {
Date date=sdf.parse(strs[1]);
//取得小時(shí)數(shù)
int hour=date.getHours();
//判斷小時(shí)數(shù)在哪個(gè)范圍中
int index=0;
if(hour>=12&&hour<18){
index=1;
}else if(hour>=18){
index=2;
}else if(hour<6){
index=3;
}
//記錄到map中
if(map.containsKey(strsTime[index])){
map.put(strsTime[index], map.get(strsTime[index])+1);
}else{
map.put(strsTime[index], 1);
}
} catch (ParseException e) {
}
}
}
/*
System.out.println("各時(shí)間段發(fā)生事故次數(shù)：");
for(int i=0;i<strsTime.length;i++){
System.out.println(strsTime[i]+" : "+map.get(strsTime[i]));
}
*/
// 記錄出事故最多的時(shí)間范圍
String maxTime = null;
// 記錄出事故最多的次數(shù)
int maxCount = 0;
Set<String> keySet = map.keySet();
for (String timeScope : keySet) {
if (map.get(timeScope) > maxCount) {
// 當(dāng)前年就是出事故最多的年份，記錄下年和次數(shù)
maxTime = timeScope;
maxCount = map.get(timeScope);
}
}
System.out.println("發(fā)生事故次數(shù)最多的時(shí)間段：");
System.out.println(maxTime+" : "+maxCount);
}
/**
* 獲取幸村率最高的一條數(shù)據(jù)的內(nèi)容
* 返回該內(nèi)容及幸存率
*/
public static void MaximumSurvival(){
//存放事故信息以及該事故的幸村率
Map<String,Float> map=new HashMap<>();
//SimpleDateFormat sdf =new SimpleDateFormat("MM/dd/YYYY");
//事故幸存率=1-死亡率，第十一個(gè)是死亡人數(shù)，第十個(gè)是總?cè)藬?shù)
float survial=0;
//循環(huán)所有數(shù)據(jù)
for(String data:alldata){
try{
String[] strs=data.split(",");
//計(jì)算幸存率
float m=Float.parseFloat(strs[10]);
float n=Float.parseFloat(strs[9]);
survial=1-m/n;
map.put(data, survial);
}catch(Exception e){
}
}
//記錄事故次數(shù)最多的年份
float max_survial=0;
//幸存率最高的數(shù)據(jù)信息
String this_data="null";
//循環(huán)所有數(shù)據(jù)，獲取事故次數(shù)最多的年份
Set<String> keyset=map.keySet();
for(String data:keyset){
if(map.get(data)>max_survial){
this_data=data;
max_survial=map.get(data);
}
}
System.out.println("幸存率最高的事故是："+this_data);
System.out.println("幸存率為："+survial);
}
}
Ⅱ 接下來我們就可以在網(wǎng)頁的數(shù)據(jù)上下手了。
下面先實(shí)現(xiàn)一個(gè)單網(wǎng)頁數(shù)據(jù)提取的功能。
使用的技術(shù)可以有以下幾類：
1） 原生代碼實(shí)現(xiàn)：
a) URL類
2） 使用第三方的URL庫
a) HttpClient庫
3） 開源爬蟲框架
a) Heritrix
b) Nutch
【一】
先使用URL類，來將當(dāng)當(dāng)網(wǎng)下搜索機(jī)械表的內(nèi)容提取出來。
package com.exe1;
/**
* 讀取當(dāng)當(dāng)網(wǎng)下機(jī)械表的數(shù)據(jù)，并進(jìn)行分析
* sunwengang 2017-08-13 20：00
*/
import java.io.*;
import java.net.*;
public class URLDemo {
public static void main(String args[]){
//確定爬取的網(wǎng)頁地址，此處為當(dāng)當(dāng)網(wǎng)搜機(jī)械表顯示的網(wǎng)頁
//網(wǎng)址為 http://search.dangdang.com/?key=%BB%FA%D0%B5%B1%ED&act=input
String strurl="http://search.dangdang.com/?key=%BB%FA%D0%B5%B1%ED&act=input";
//建立url爬取核心對(duì)象
try {
URL url=new URL(strurl);
//通過url建立與網(wǎng)頁的連接
URLConnection conn=url.openConnection();
//通過鏈接取得網(wǎng)頁返回的數(shù)據(jù)
InputStream is=conn.getInputStream();
System.out.println(conn.getContentEncoding());
//一般按行讀取網(wǎng)頁數(shù)據(jù)，并進(jìn)行內(nèi)容分析
//因此用BufferedReader和InputStreamReader把字節(jié)流轉(zhuǎn)化為字符流的緩沖流
//進(jìn)行轉(zhuǎn)換時(shí)，需要處理編碼格式問題
BufferedReader br=new BufferedReader(new InputStreamReader(is,"UTF-8"));
//按行讀取并打印
String line=null;
while((line=br.readLine())!=null){
System.out.println(line);
}
br.close();
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
}
結(jié)果顯示：
【二】
下面嘗試將這個(gè)網(wǎng)頁的源代碼保存成為本地的一個(gè)文本文件，以便后續(xù)做離線分析。
如果想根據(jù)條件提取網(wǎng)頁中的內(nèi)容信息，那么就需要使用Java的正則表達(dá)式。
正則表達(dá)式
Java.util包下提供了Pattern和Matcher這兩個(gè)類，可以根據(jù)我們給定的條件來進(jìn)行數(shù)據(jù)的匹配和提取。
通過Pattern類中提供的規(guī)則字符或字符串，我們需要自己拼湊出我們的匹配規(guī)則。
正則表達(dá)式最常用的地方是用來做表單提交的數(shù)據(jù)格式驗(yàn)證的。
常用的正則表達(dá)式規(guī)則一般分為兩類：
1） 內(nèi)容匹配
a) \d：是否是數(shù)字
b) \w：匹配 字母、數(shù)字或下劃線
c) .：任意字符
d) [a-z]：字符是否在給定范圍內(nèi)。
2） 數(shù)量匹配
a) +：1個(gè)或以上
b) *：0個(gè)或以上
c) ?：0或1次
d) {n,m}：n-m次
匹配手機(jī)電話號(hào)碼：
規(guī)則：1\\d{10}
匹配郵件地址：
規(guī)則：\\w+@\\w+.\\w+(\\.\\w+)?
通過Pattern和Matcher的配合，我們可以把一段內(nèi)容中匹配我們要求的文字提取出來，方便我們來處理。
例如：將一段內(nèi)容中的電話號(hào)碼提取出來。
public class PatternDemo {
public static void main(String[] args) {
Pattern p = Pattern.compile("1\\d{10}");
String content = "<div><div class='jg666'>[轉(zhuǎn)讓]<a href='/17610866588' title='手機(jī)號(hào)碼17610866588估價(jià)評(píng)估_值多少錢_歸屬地查詢_測(cè)吉兇_數(shù)字含義_求購轉(zhuǎn)讓信息' class='lj44'>17610866588</a>由 張?jiān)讫?300元轉(zhuǎn)讓,聯(lián)系電話：17610866588</div><div class='jg666'>[轉(zhuǎn)讓]<a href='/17777351513' title='手機(jī)號(hào)碼17777351513估價(jià)評(píng)估_值多少錢_歸屬地查詢_測(cè)吉兇_數(shù)字含義_求購轉(zhuǎn)讓信息' class='lj44'>17777351513</a>由 胡俊宏 888元轉(zhuǎn)讓,QQ：762670775,聯(lián)系電話：17777351513,可以小砍價(jià)..</div><div class='jg666'>[求購]<a href='/15019890606' title='手機(jī)號(hào)碼15019890606估價(jià)評(píng)估_值多少錢_歸屬地查詢_測(cè)吉兇_數(shù)字含義_求購轉(zhuǎn)讓信息' class='lj44'>15019890606</a>由 張寶紅 600元求購,聯(lián)系電話：15026815169</div><div class='jg666'>";
Matcher m = p.matcher(content);
// System.out.println(p.matcher("sf@sina").matches());
Set<String> set = new HashSet<>();
// 通過Matcher類的group方法和find方法來進(jìn)行查找和匹配
while (m.find()) {
String value = m.group();
set.add(value);
}
System.out.println(set);
}
}
通過正則表達(dá)式完成超連接的連接匹配和提取
對(duì)爬取的HTML頁面來說，如果想提取連接地址，就必須找到所有超連接的標(biāo)簽和對(duì)應(yīng)的屬性。
超連接標(biāo)簽是<a></a>，保存連接的屬性是：href。
<a href=”…”>…</a>
規(guī)則：
<a .*href=.+</a>
廣度優(yōu)先遍歷
需要有一個(gè)隊(duì)列（這里直接使用ArrayList來作為隊(duì)列）保存所有等待爬取的連接。
還需要一個(gè)Set集合記錄下所有已經(jīng)爬取過的連接。
還需要一個(gè)深度值，記錄當(dāng)前爬取的網(wǎng)頁深度，判斷是否滿足要求
此時(shí)對(duì)當(dāng)當(dāng)網(wǎng)首頁分類里的圖書進(jìn)行深度為2的網(wǎng)頁爬取，參照上述對(duì)機(jī)械表單網(wǎng)頁的爬取，利用遞歸的方式進(jìn)行數(shù)據(jù)獲取存到E:/dangdang_book/目錄下：
package com.exe1;
/**
* 讀取當(dāng)當(dāng)網(wǎng)下首頁圖書的數(shù)據(jù)，并進(jìn)行分析
* 爬取深度為2
* 爬去數(shù)據(jù)存儲(chǔ)到E:/dangdang_book/目錄下，需自行創(chuàng)建
* sunwengang 2017-08-13 20：00
*/
import java.io.*;
import java.net.*;
import java.util.*;
import java.util.regex.*;
public class URLDemo {
//提取的數(shù)據(jù)存放到該目錄下
private static String savepath="E:/dangdang_book/";
//等待爬取的url
private static List<String> allwaiturl=new ArrayList<>();
//爬取過的url
private static Set<String> alloverurl=new HashSet<>();
//記錄所有url的深度進(jìn)行爬取判斷
private static Map<String,Integer> allurldepth=new HashMap<>();
//爬取得深度
private static int maxdepth=2;
public static void main(String args[]){
//確定爬取的網(wǎng)頁地址，此處為當(dāng)當(dāng)網(wǎng)首頁上的圖書分類進(jìn)去的網(wǎng)頁
//網(wǎng)址為 http://book.dangdang.com/
// String strurl="http://search.dangdang.com/?key=%BB%FA%D0%B5%B1%ED&act=input";
String strurl="http://book.dangdang.com/";
workurl(strurl,1);
}
public static void workurl(String strurl,int depth){
//判斷當(dāng)前url是否爬取過
if(!(alloverurl.contains(strurl)||depth>maxdepth)){
//建立url爬取核心對(duì)象
try {
URL url=new URL(strurl);
//通過url建立與網(wǎng)頁的連接
URLConnection conn=url.openConnection();
//通過鏈接取得網(wǎng)頁返回的數(shù)據(jù)
InputStream is=conn.getInputStream();
System.out.println(conn.getContentEncoding());
//一般按行讀取網(wǎng)頁數(shù)據(jù)，并進(jìn)行內(nèi)容分析
//因此用BufferedReader和InputStreamReader把字節(jié)流轉(zhuǎn)化為字符流的緩沖流
//進(jìn)行轉(zhuǎn)換時(shí)，需要處理編碼格式問題
BufferedReader br=new BufferedReader(new InputStreamReader(is,"GB2312"));
//按行讀取并打印
String line=null;
//正則表達(dá)式的匹配規(guī)則提取該網(wǎng)頁的鏈接
Pattern p=Pattern.compile("<a .*href=.+</a>");
//建立一個(gè)輸出流，用于保存文件,文件名為執(zhí)行時(shí)間，以防重復(fù)
PrintWriter pw=new PrintWriter(new File(savepath+System.currentTimeMillis()+".txt"));
while((line=br.readLine())!=null){
//System.out.println(line);
//編寫正則，匹配超鏈接地址
pw.println(line);
Matcher m=p.matcher(line);
while(m.find()){
String href=m.group();
//找到超鏈接地址并截取字符串
//有無引號(hào)
href=href.substring(href.indexOf("href="));
if(href.charAt(5)=='\"'){
href=href.substring(6);
}else{
href=href.substring(5);
}
//截取到引號(hào)或者空格或者到">"結(jié)束
try{
href=href.substring(0,href.indexOf("\""));
}catch(Exception e){
try{
href=href.substring(0,href.indexOf(" "));
}catch(Exception e1){
href=href.substring(0,href.indexOf(">"));
}
}
if(href.startsWith("http:")||href.startsWith("https:")){
//輸出該網(wǎng)頁存在的鏈接
//System.out.println(href);
//將url地址放到隊(duì)列中
allwaiturl.add(href);
allurldepth.put(href,depth+1);
}
}
}
pw.close();
br.close();
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
//將當(dāng)前url歸列到alloverurl中
alloverurl.add(strurl);
System.out.println(strurl+"網(wǎng)頁爬取完成，已爬取數(shù)量："+alloverurl.size()+"，剩余爬取數(shù)量："+allwaiturl.size());
}
//用遞歸的方法繼續(xù)爬取其他鏈接
String nexturl=allwaiturl.get(0);
allwaiturl.remove(0);
workurl(nexturl,allurldepth.get(nexturl));
}
}
控制臺(tái)顯示：
本地目錄顯示：
但是，僅是深度為2的也運(yùn)行不短地時(shí)間，
如果想提高爬蟲性能，那么我們就需要使用多線程來處理，例如：準(zhǔn)備好5個(gè)線程來同時(shí)進(jìn)行爬蟲操作。
這些線程需要標(biāo)注出當(dāng)前狀態(tài)，是在等待，還是在爬取。
如果是等待狀態(tài)，那么就需要取得集合中的一個(gè)連接，來完成爬蟲操作。
如果是爬取狀態(tài)，則在爬完以后，需要變?yōu)榈却隣顟B(tài)。
多線程中如果想設(shè)置等待狀態(tài)，有一個(gè)方法可以實(shí)現(xiàn)：wait()，如果想從等待狀態(tài)喚醒，則可以使用notify()。
因此在多個(gè)線程中間我們需要一個(gè)對(duì)象來幫助我們進(jìn)行線程之間的通信，以便喚醒其它線程。
多線程同時(shí)處理時(shí)，容易出現(xiàn)線程不安全的問題，導(dǎo)致數(shù)據(jù)出現(xiàn)錯(cuò)誤。
為了保證線程的安全，就需要使用同步關(guān)鍵字，來對(duì)取得連接和放入連接操作加鎖。
多線程爬蟲實(shí)現(xiàn)
需要先自定義一個(gè)線程的操作類，在這個(gè)操作類中判斷不同的狀態(tài)，并且根據(jù)狀態(tài)來決定是進(jìn)行wait()等待，還是取得一個(gè)新的url進(jìn)行處理。
package com.exe1;
/**
* 讀取當(dāng)當(dāng)網(wǎng)下首頁圖書的數(shù)據(jù)，并進(jìn)行分析
* 爬取深度為2
* 爬去數(shù)據(jù)存儲(chǔ)到E:/dangdang_book/目錄下，需自行創(chuàng)建
* 孫文剛 2017-08-13 20：00
*/
import java.io.*;
import java.net.*;
import java.util.*;
import java.util.regex.*;
public class URLDemo {
//提取的數(shù)據(jù)存放到該目錄下
private static String savepath="E:/dangdang_book/";
//等待爬取的url
private static List<String> allwaiturl=new ArrayList<>();
//爬取過的url
private static Set<String> alloverurl=new HashSet<>();
//記錄所有url的深度進(jìn)行爬取判斷
private static Map<String,Integer> allurldepth=new HashMap<>();
//爬取得深度
private static int maxdepth=2;
//生命對(duì)象，幫助進(jìn)行線程的等待操作
private static Object obj=new Object();
//記錄總線程數(shù)5條
private static int MAX_THREAD=5;
//記錄空閑的線程數(shù)
private static int count=0;
public static void main(String args[]){
//確定爬取的網(wǎng)頁地址，此處為當(dāng)當(dāng)網(wǎng)首頁上的圖書分類進(jìn)去的網(wǎng)頁
//網(wǎng)址為 http://book.dangdang.com/
// String strurl="http://search.dangdang.com/?key=%BB%FA%D0%B5%B1%ED&act=input";
String strurl="http://book.dangdang.com/";
//workurl(strurl,1);
addurl(strurl,0);
for(int i=0;i<MAX_THREAD;i++){
new URLDemo().new MyThread().start();
}
}
/**
* 網(wǎng)頁數(shù)據(jù)爬取
* @param strurl
* @param depth
*/
public static void workurl(String strurl,int depth){
//判斷當(dāng)前url是否爬取過
if(!(alloverurl.contains(strurl)||depth>maxdepth)){
//檢測(cè)線程是否執(zhí)行
System.out.println("當(dāng)前執(zhí)行："+Thread.currentThread().getName()+" 爬取線程處理爬取："+strurl);
//建立url爬取核心對(duì)象
try {
URL url=new URL(strurl);
//通過url建立與網(wǎng)頁的連接
URLConnection conn=url.openConnection();
//通過鏈接取得網(wǎng)頁返回的數(shù)據(jù)
InputStream is=conn.getInputStream();
//提取text類型的數(shù)據(jù)
if(conn.getContentType().startsWith("text")){
}
System.out.println(conn.getContentEncoding());
//一般按行讀取網(wǎng)頁數(shù)據(jù)，并進(jìn)行內(nèi)容分析
//因此用BufferedReader和InputStreamReader把字節(jié)流轉(zhuǎn)化為字符流的緩沖流
//進(jìn)行轉(zhuǎn)換時(shí)，需要處理編碼格式問題
BufferedReader br=new BufferedReader(new InputStreamReader(is,"GB2312"));
//按行讀取并打印
String line=null;
//正則表達(dá)式的匹配規(guī)則提取該網(wǎng)頁的鏈接
Pattern p=Pattern.compile("<a .*href=.+</a>");
//建立一個(gè)輸出流，用于保存文件,文件名為執(zhí)行時(shí)間，以防重復(fù)
PrintWriter pw=new PrintWriter(new File(savepath+System.currentTimeMillis()+".txt"));
while((line=br.readLine())!=null){
//System.out.println(line);
//編寫正則，匹配超鏈接地址
pw.println(line);
Matcher m=p.matcher(line);
while(m.find()){
String href=m.group();
//找到超鏈接地址并截取字符串
//有無引號(hào)
href=href.substring(href.indexOf("href="));
if(href.charAt(5)=='\"'){
href=href.substring(6);
}else{
href=href.substring(5);
}
//截取到引號(hào)或者空格或者到">"結(jié)束
try{
href=href.substring(0,href.indexOf("\""));
}catch(Exception e){
try{
href=href.substring(0,href.indexOf(" "));
}catch(Exception e1){
href=href.substring(0,href.indexOf(">"));
}
}
if(href.startsWith("http:")||href.startsWith("https:")){
/*
//輸出該網(wǎng)頁存在的鏈接
//System.out.println(href);
//將url地址放到隊(duì)列中
allwaiturl.add(href);
allurldepth.put(href,depth+1);
*/
//調(diào)用addurl方法
addurl(href,depth);
}
}
}
pw.close();
br.close();
} catch (Exception e) {
// TODO Auto-generated catch block
//e.printStackTrace();
}
//將當(dāng)前url歸列到alloverurl中
alloverurl.add(strurl);
System.out.println(strurl+"網(wǎng)頁爬取完成，已爬取數(shù)量："+alloverurl.size()+"，剩余爬取數(shù)量："+allwaiturl.size());
}
/*
//用遞歸的方法繼續(xù)爬取其他鏈接
String nexturl=allwaiturl.get(0);
allwaiturl.remove(0);
workurl(nexturl,allurldepth.get(nexturl));
*/
if(allwaiturl.size()>0){
synchronized(obj){
obj.notify();
}
}else{
System.out.println("爬取結(jié)束.......");
}
}
/**
* 將獲取的url放入等待隊(duì)列中，同時(shí)判斷是否已經(jīng)放過
* @param href
* @param depth
*/
public static synchronized void addurl(String href,int depth){
//將url放到隊(duì)列中
allwaiturl.add(href);
//判斷url是否放過
if(!allurldepth.containsKey(href)){
allurldepth.put(href, depth+1);
}
}
/**
* 移除爬取完成的url，獲取下一個(gè)未爬取得url
* @return
*/
public static synchronized String geturl(){
String nexturl=allwaiturl.get(0);
allwaiturl.remove(0);
return nexturl;
}
/**
* 線程分配任務(wù)
*/
public class MyThread extends Thread{
@Override
public void run(){
//設(shè)定一個(gè)死循環(huán)，讓線程一直存在
while(true){
//判斷是否新鏈接，有則獲取
if(allwaiturl.size()>0){
//獲取url進(jìn)行處理
String url=geturl();
//調(diào)用workurl方法爬取
workurl(url,allurldepth.get(url));
}else{
System.out.println("當(dāng)前線程準(zhǔn)備就緒，等待連接爬?。?+this.getName());
count++;
//建立一個(gè)對(duì)象，讓線程進(jìn)入等待狀態(tài)，即wait（）
synchronized(obj){
try{
obj.wait();
}catch(Exception e){
}
}
count--;
}
}
}
}
}
控制臺(tái)顯示：
本地目錄顯示：
總結(jié)：
對(duì)于網(wǎng)頁數(shù)據(jù)爬取，用到了線程，類集處理，繼承，正則表達(dá)式等各方面的知識(shí)，從一個(gè)網(wǎng)頁以深度為主，廣度為基本進(jìn)行爬取，獲取每一個(gè)網(wǎng)頁的源代碼，并寫入到一個(gè)本地的目錄下。
1、給出一個(gè)網(wǎng)頁鏈接，創(chuàng)建一個(gè)本地目錄；
2、用URL類本地連接，用字符流進(jìn)行讀取，并寫入到本地；
3、利用正則表達(dá)式在按行讀取時(shí)獲取該網(wǎng)頁所存在的所有鏈接，以便進(jìn)行深度+1的數(shù)據(jù)收集；
4、利用遞歸的方法，借助容器list，Set，Map來對(duì)鏈接進(jìn)行爬取和未爬取得劃分；
5、每次爬取一個(gè)網(wǎng)頁時(shí)，所獲得的所有鏈接在當(dāng)前基礎(chǔ)上深度+1，并且從未爬取隊(duì)列中移除，加入到已爬取隊(duì)列中；
6、為提升性能，在進(jìn)行遞歸的時(shí)候，可以利用線程，復(fù)寫Thread的run()方法，用多線程進(jìn)行網(wǎng)頁數(shù)據(jù)爬??；
7、直到爬取得網(wǎng)頁深度達(dá)到你期望的深度時(shí)，爬取結(jié)束，此時(shí)可以查看本地目錄生成的文件；
8、后續(xù)對(duì)本地生成的文件進(jìn)行數(shù)據(jù)分析，即可獲取你想要的信息。
借此，我們就可以對(duì)這些數(shù)據(jù)進(jìn)行歸約，分析，處理，來獲取我們想要的信息。
這也是大數(shù)據(jù)數(shù)據(jù)收集的一個(gè)基礎(chǔ)。
以上這篇java實(shí)現(xiàn)網(wǎng)頁爬蟲的示例講解就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
- java編程實(shí)現(xiàn)簡(jiǎn)單的網(wǎng)絡(luò)爬蟲示例過程
- Java 使用maven實(shí)現(xiàn)Jsoup簡(jiǎn)單爬蟲案例詳解
- Java 實(shí)現(xiàn)網(wǎng)絡(luò)爬蟲框架詳細(xì)代碼
- 半小時(shí)實(shí)現(xiàn)Java手?jǐn)]網(wǎng)絡(luò)爬蟲框架(附完整源碼)
- 使用java實(shí)現(xiàn)網(wǎng)絡(luò)爬蟲
- Java實(shí)現(xiàn)的爬蟲抓取圖片并保存操作示例
- java實(shí)現(xiàn)一個(gè)簡(jiǎn)單的網(wǎng)絡(luò)爬蟲代碼示例
- java實(shí)現(xiàn)簡(jiǎn)單的爬蟲之今日頭條
- Java爬蟲 信息抓取的實(shí)現(xiàn)
- Java實(shí)現(xiàn)爬蟲
相關(guān)文章
這篇文章主要介紹了Java實(shí)現(xiàn)截圖小工具的完整代碼,用Java的圖形用戶界面GUI技術(shù)寫了一個(gè)電腦截圖小工具，本程序代碼簡(jiǎn)單，涉及到異常處理，事件處理，圖形用戶界面等，需要的朋友可以參考下2022-05-05
JavaBean和SpringBean的區(qū)別及創(chuàng)建SpringBean方式
這篇文章主要介紹了JavaBean和SpringBean的區(qū)別及創(chuàng)建SpringBean方式，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2021-10-10
這篇文章主要介紹了Maven 如何搭建開發(fā)環(huán)境，文中講解非常細(xì)致，幫助大家更好的理解和學(xué)習(xí)，感興趣的朋友可以了解下2020-07-07
詳解如何使用MongoDB+Springboot實(shí)現(xiàn)分布式ID的方法
這篇文章主要介紹了詳解如何使用MongoDB+Springboot實(shí)現(xiàn)分布式ID的方法，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-09-09
這篇文章主要介紹了Java如何修改.class文件變量，幫助大家更好的理解和學(xué)習(xí)Java，感興趣的朋友可以了解下2020-09-09
Java8 新特性之日期時(shí)間對(duì)象及一些其他特性
這篇文章主要介紹了Java8 新特性之日期時(shí)間對(duì)象及一些其他特性,本文給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2020-01-01
手動(dòng)構(gòu)建springBoot啟動(dòng)器過程圖解
這篇文章主要介紹了手動(dòng)構(gòu)建springBoot啟動(dòng)器過程圖解,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-04-04
這篇文章主要介紹了java 如何復(fù)制非空對(duì)象屬性值的操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2021-09-09
這篇文章主要介紹了java編程多線程并發(fā)處理實(shí)例解析，分享了相關(guān)代碼示例，小編覺得還是挺不錯(cuò)的，具有一定借鑒價(jià)值，需要的朋友可以參考下2018-01-01
SpringMVC異常處理知識(shí)點(diǎn)總結(jié)
在本篇文章里小編給大家整理的是關(guān)于SpringMVC異常處理相關(guān)知識(shí)點(diǎn)內(nèi)容，需要的朋友們學(xué)習(xí)下。2019-10-10