教你如何編寫簡單的網絡爬蟲
一、網絡爬蟲的基本知識
網絡爬蟲通過遍歷互聯網絡,把網絡中的相關網頁全部抓取過來,這體現了爬的概念。爬蟲如何遍歷網絡呢,互聯網可以看做是一張大圖,每個頁面看做其中的一個節(jié)點,頁面的連接看做是有向邊。圖的遍歷方式分為寬度遍歷和深度遍歷,但是深度遍歷可能會在深度上過深的遍歷或者陷入黑洞。所以,大多數爬蟲不采用這種形式。另一方面,爬蟲在按照寬度優(yōu)先遍歷的方式時候,會給待遍歷的網頁賦予一定優(yōu)先級,這種叫做帶偏好的遍歷。
實際的爬蟲是從一系列的種子鏈接開始。種子鏈接是起始節(jié)點,種子頁面的超鏈接指向的頁面是子節(jié)點(中間節(jié)點),對于非html文檔,如excel等,不能從中提取超鏈接,看做圖的終端節(jié)點。整個遍歷過程中維護一張visited表,記錄哪些節(jié)點(鏈接)已經處理過了,跳過不作處理。
使用寬度優(yōu)先搜索策略,主要原因有:
a、重要的網頁一般離種子比較近,例如我們打開的新聞網站時候,往往是最熱門的新聞,隨著深入沖浪,網頁的重要性越來越低。
b、萬維網實際深度最多達17層,但到達某個網頁總存在一條很短路徑,而寬度優(yōu)先遍歷可以最快的速度找到這個網頁
c、寬度優(yōu)先有利于多爬蟲合作抓取。
二、網絡爬蟲的簡單實現
1、定義已訪問隊列,待訪問隊列和爬取得URL的哈希表,包括出隊列,入隊列,判斷隊列是否空等操作
package webspider;
import java.util.HashSet;
import java.util.PriorityQueue;
import java.util.Set;
import java.util.Queue;
public class LinkQueue {
// 已訪問的 url 集合
private static Set visitedUrl = new HashSet();
// 待訪問的 url 集合
private static Queue unVisitedUrl = new PriorityQueue();
// 獲得URL隊列
public static Queue getUnVisitedUrl() {
return unVisitedUrl;
}
// 添加到訪問過的URL隊列中
public static void addVisitedUrl(String url) {
visitedUrl.add(url);
}
// 移除訪問過的URL
public static void removeVisitedUrl(String url) {
visitedUrl.remove(url);
}
// 未訪問的URL出隊列
public static Object unVisitedUrlDeQueue() {
return unVisitedUrl.poll();
}
// 保證每個 url 只被訪問一次
public static void addUnvisitedUrl(String url) {
if (url != null && !url.trim().equals("") && !visitedUrl.contains(url)
&& !unVisitedUrl.contains(url))
unVisitedUrl.add(url);
}
// 獲得已經訪問的URL數目
public static int getVisitedUrlNum() {
return visitedUrl.size();
}
// 判斷未訪問的URL隊列中是否為空
public static boolean unVisitedUrlsEmpty() {
return unVisitedUrl.isEmpty();
}
}
2、定義DownLoadFile類,根據得到的url,爬取網頁內容,下載到本地保存。此處需要引用commons-httpclient.jar,commons-codec.jar,commons-logging.jar。
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 {
/**
* 根據 url 和網頁類型生成需要保存的網頁的文件名 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類型
if (contentType.indexOf("html") != -1) {
url = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html";
return url;
}
// 如application/pdf類型
else {
return url.replaceAll("[\\?/:*|<>\"]", "_") + "."
+ contentType.substring(contentType.lastIndexOf("/") + 1);
}
}
/**
* 保存網頁字節(jié)數組到本地文件 filePath 為要保存的文件的相對地址
*/
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();
}
}
/* 下載 url 指向的網頁 */
public String downloadFile(String url) {
String filePath = null;
/* 1.生成 HttpClinet 對象并設置參數 */
HttpClient httpClient = new HttpClient();
// 設置 Http 連接超時 5s
httpClient.getHttpConnectionManager().getParams()
.setConnectionTimeout(5000);
/* 2.生成 GetMethod 對象并設置參數 */
GetMethod getMethod = new GetMethod(url);
// 設置 get 請求超時 5s
getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000);
// 設置請求重試處理
getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,
new DefaultHttpMethodRetryHandler());
/* 3.執(zhí)行 HTTP GET 請求 */
try {
int statusCode = httpClient.executeMethod(getMethod);
// 判斷訪問的狀態(tài)碼
if (statusCode != HttpStatus.SC_OK) {
System.err.println("Method failed: "
+ getMethod.getStatusLine());
filePath = null;
}
/* 4.處理 HTTP 響應內容 */
byte[] responseBody = getMethod.getResponseBody();// 讀取為字節(jié)數組
// 根據網頁 url 生成保存時的文件名
filePath = "f:\\spider\\"
+ getFileNameByUrl(url,
getMethod.getResponseHeader("Content-Type")
.getValue());
saveToLocal(responseBody, filePath);
} catch (HttpException e) {
// 發(fā)生致命的異常,可能是協議不對或者返回的內容有問題
System.out.println("Please check your provided http address!");
e.printStackTrace();
} catch (IOException e) {
// 發(fā)生網絡異常
e.printStackTrace();
} finally {
// 釋放連接
getMethod.releaseConnection();
}
return filePath;
}
}
3、定義HtmlParserTool類,用來獲得網頁中的超鏈接(包括a標簽,frame中的src等等),即為了得到子節(jié)點的URL。需要引入htmlparser.jar
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 {
// 獲取一個網站上的鏈接,filter 用來過濾鏈接
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");
// 過濾 <frame >標簽的 filter,用來提取 frame 標簽里的 src 屬性所表示的鏈接
NodeFilter frameFilter = new NodeFilter() {
public boolean accept(Node node) {
if (node.getText().startsWith("frame src=")) {
return true;
} else {
return false;
}
}
};
// OrFilter 來設置過濾 <a> 標簽,和 <frame> 標簽
OrFilter linkFilter = new OrFilter(new NodeClassFilter(
LinkTag.class), frameFilter);
// 得到所有經過過濾的標簽
NodeList list = parser.extractAllNodesThatMatch(linkFilter);
for (int i = 0; i < list.size(); i++) {
Node tag = list.elementAt(i);
if (tag instanceof LinkTag)// <a> 標簽
{
LinkTag link = (LinkTag) tag;
String linkUrl = link.getLink();// url
if (filter.accept(linkUrl))
links.add(linkUrl);
} else// <frame> 標簽
{
// 提取 frame 里 src 屬性的鏈接如 <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、編寫測試類MyCrawler,用來測試爬取效果
package webspider;
import java.util.Set;
public class MyCrawler {
/**
* 使用種子初始化 URL 隊列
*
* @return
* @param seeds
* 種子URL
*/
private void initCrawlerWithSeeds(String[] seeds) {
for (int i = 0; i < seeds.length; i++)
LinkQueue.addUnvisitedUrl(seeds[i]);
}
/**
* 抓取過程
*
* @return
* @param seeds
*/
public void crawling(String[] seeds) { // 定義過濾器,提取以http://www.lietu.com開頭的鏈接
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 隊列
initCrawlerWithSeeds(seeds);
// 循環(huán)條件:待抓取的鏈接不空且抓取的網頁不多于1000
while (!LinkQueue.unVisitedUrlsEmpty()
&& LinkQueue.getVisitedUrlNum() <= 1000) {
// 隊頭URL出隊列
String visitUrl = (String) LinkQueue.unVisitedUrlDeQueue();
if (visitUrl == null)
continue;
DownLoadFile downLoader = new DownLoadFile();
// 下載網頁
downLoader.downloadFile(visitUrl);
// 該 url 放入到已訪問的 URL 中
LinkQueue.addVisitedUrl(visitUrl);
// 提取出下載網頁中的 URL
Set<String> links = HtmlParserTool.extracLinks(visitUrl, filter);
// 新的未訪問的 URL 入隊
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文件夾下面已經出現了很多html文件,都是關于百度的,以“www.baidu.com”為開頭。
相關文章
一次"java:程序包org.aspectj.lang不存在"問題解決實戰(zhàn)記錄
這篇文章主要給大家介紹了一次"java:程序包org.aspectj.lang不存在"問題解決的實戰(zhàn)過程,這個錯誤提示意味著你的Java程序中引用了org.aspectj.lang這個包,但是該包并不存在,文章通過圖文介紹的非常詳細,需要的朋友可以參考下2023-06-06JDK源碼之線程并發(fā)協調神器CountDownLatch和CyclicBarrier詳解
我一直認為程序是對于現實世界的邏輯描述,而在現實世界中很多事情都需要各方協調合作才能完成,就好比完成一個平臺的交付不可能只靠一個人,而需要研發(fā)、測試、產品以及項目經理等不同角色人員進行通力合作才能完成最終的交付2022-02-02