快捷導(dǎo)航

一個簡易的Java多頁面隊(duì)列爬蟲程序

更新時間：2016年08月05日 15:15:10 投稿：lijiao

這篇文章主要為大家詳細(xì)介紹了一個多頁面的java爬蟲，具有一定的參考價值，感興趣的小伙伴們可以參考一下

之前寫過很多單頁面python爬蟲，感覺python還是很好用的，這里用java總結(jié)一個多頁面的爬蟲，迭代爬取種子頁面的所有鏈接的頁面，全部保存在tmp路徑下。　　

一、序言

實(shí)現(xiàn)這個爬蟲需要兩個數(shù)據(jù)結(jié)構(gòu)支持，unvisited隊(duì)列(priorityqueue：可以適用pagerank等算法計(jì)算出url重要度)和visited表（hashset：可以快速查找url是否存在）；隊(duì)列用于實(shí)現(xiàn)寬度優(yōu)先爬取，visited表用于記錄爬取過的url，不再重復(fù)爬取，避免了環(huán)。java爬蟲需要的工具包有httpclient和htmlparser1.5，可以在maven repo中查看具體版本的下載。
1、目標(biāo)網(wǎng)站：新浪 http://www.sina.com.cn/
2、結(jié)果截圖：

下面說說爬蟲的實(shí)現(xiàn)，后期源碼會上傳到github中，需要的朋友可以留言：

二、爬蟲編程　
1、創(chuàng)建種子頁面的url
MyCrawler crawler = new MyCrawler();
crawler.crawling(new String[]{"http://www.sina.com.cn/"});

2、初始化unvisited表為上面的種子url
LinkQueue.addUnvisitedUrl(seeds[i]);

3、最主要的邏輯實(shí)現(xiàn)部分：在隊(duì)列中取出沒有visit過的url，進(jìn)行下載，然后加入visited的表，并解析改url頁面上的其它url，把未讀取的加入到unvisited隊(duì)列；迭代到隊(duì)列為空停止，所以這個url網(wǎng)絡(luò)還是很龐大的。注意，這里的頁面下載和頁面解析需要java的工具包實(shí)現(xiàn)，下面具體說明下工具包的使用。

while(!LinkQueue.unVisitedUrlsEmpty()&&LinkQueue.getVisitedUrlNum()<=1000)
  {
   //隊(duì)頭URL出隊(duì)列
   String visitUrl=(String)LinkQueue.unVisitedUrlDeQueue();
   if(visitUrl==null)
    continue;
   DownLoadFile downLoader=new DownLoadFile();
   //下載網(wǎng)頁
   downLoader.downloadFile(visitUrl);
   //該 url 放入到已訪問的 URL 中
   LinkQueue.addVisitedUrl(visitUrl);
   //提取出下載網(wǎng)頁中的 URL
   
   Set<String> links=HtmlParserTool.extracLinks(visitUrl,filter);
   //新的未訪問的 URL 入隊(duì)
   for(String link:links)
   {
     LinkQueue.addUnvisitedUrl(link);
   }
  }

4、下面html頁面的download工具包

public String downloadFile(String url) {
  String filePath = null;
  /* 1.生成 HttpClinet 對象并設(shè)置參數(shù) */
  HttpClient httpClient = new HttpClient();
  // 設(shè)置 Http 連接超時 5s
  httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(
    5000);

  /* 2.生成 GetMethod 對象并設(shè)置參數(shù) */
  GetMethod getMethod = new GetMethod(url);
  // 設(shè)置 get 請求超時 5s
  getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000);
  // 設(shè)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(yīng)內(nèi)容 */
   byte[] responseBody = getMethod.getResponseBody();// 讀取為字節(jié)數(shù)組
   // 根據(jù)網(wǎng)頁 url 生成保存時的文件名
   filePath = "temp\\"
     + 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(xié)議不對或者返回的內(nèi)容有問題
   System.out.println("Please check your provided http address!");
   e.printStackTrace();
  } catch (IOException e) {
   // 發(fā)生網(wǎng)絡(luò)異常
   e.printStackTrace();
  } finally {
   // 釋放連接
   getMethod.releaseConnection();
  }
  return filePath;
 }

5、html頁面的解析工具包：

public static Set<String> extracLinks(String url, LinkFilter filter) {

  Set<String> links = new HashSet<String>();
  try {
   Parser parser = new Parser(url);
   parser.setEncoding("gb2312");
   // 過濾 <frame >標(biāo)簽的 filter，用來提取 frame 標(biāo)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(shè)置過濾 <a> 標(biāo)簽，和 <frame> 標(biāo)簽
   OrFilter linkFilter = new OrFilter(new NodeClassFilter(
     LinkTag.class), frameFilter);
   // 得到所有經(jīng)過過濾的標(biāo)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(biāo)簽
    {
     LinkTag link = (LinkTag) tag;
     String linkUrl = link.getLink();// url
     if (filter.accept(linkUrl))
      links.add(linkUrl);
    } else// <frame> 標(biāo)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;
 }

6、未訪問頁面使用PriorityQueue帶偏好的隊(duì)列保存，主要是為了適用于pagerank等算法，有的url忠誠度更高一些；visited表采用hashset實(shí)現(xiàn)，注意可以快速查找是否存在；

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(duì)列
 public static Queue getUnVisitedUrl() {
  return unVisitedUrl;
 }
 //添加到訪問過的URL隊(duì)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(duì)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(jīng)訪問的URL數(shù)目
 public static int getVisitedUrlNum() {
  return visitedUrl.size();
 }
 //判斷未訪問的URL隊(duì)列中是否為空
 public static boolean unVisitedUrlsEmpty() {
  return unVisitedUrl.isEmpty();
 }

}

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: