Java简单的网络爬虫实现

 

最近在学习搜索方面的东西，需要了解网络爬虫方面的知识，虽然有很多开源的强大的爬虫，但本着学习的态度，自己写了一个简单的网络爬虫，以便了解其中原理。

首先介绍每个类的功能：

DownloadPage.java的功能是下载此超链接的页面源代码.

FunctionUtils.java 的功能是提供不同的静态方法，包括：页面链接正则表达式匹配,获取URL链接的元素,判断是否创建文件,获取页面的Url并将其转换为规范的Url,截取网页网页源文件的目标内容。

HrefOfPage.java 的功能是获取页面源代码的超链接。

UrlDataHanding.java 的功能是整合各个给类，实现url到获取数据到数据处理类。

UrlQueue.java 的未访问Url队列。

VisitedUrlQueue.java 已访问过的URL队列。

下面介绍一下每个类的源代码：

DownloadPage.java 此类要用到HttpClient组件。

package com.sreach.spider;

import java.io.IOException;
import org.apache.http.HttpEntity;
import org.apache.http.HttpResponse;
import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.HttpClient;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.DefaultHttpClient;
import org.apache.http.util.EntityUtils;

public class DownloadPage {
	/** * 根据URL抓取网页内容 * * @param url * @return */
	public static String getContentFormUrl(String url) { /* 实例化一个HttpClient客户端 */
		HttpClient client = new DefaultHttpClient();
		HttpGet getHttp = new HttpGet(url);
		String content = null;
		HttpResponse response;
		try { /* 获得信息载体 */
			response = client.execute(getHttp);
			HttpEntity entity = response.getEntity();
			VisitedUrlQueue.addElem(url);
			if (entity != null) { /* 转化为文本信息 */
				content = EntityUtils.toString(entity); /* 判断是否符合下载网页源代码到本地的条件 */
				if (FunctionUtils.isCreateFile(url) && FunctionUtils.isHasGoalContent(content) != -1) {
					FunctionUtils.createFile(FunctionUtils.getGoalContent(content), url);
				}
			}
		} catch (ClientProtocolException e) {
			e.printStackTrace();
		} catch (IOException e) {
			e.printStackTrace();
		} finally {
			client.getConnectionManager().shutdown();
		}
		return content;
	}
}

FunctionUtils.java 此类的方法均为static方法

package com.sreach.spider;

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.OutputStreamWriter;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class FunctionUtils {
	/** * 匹配超链接的正则表达式 */
	private static String pat = "http://www\\.oschina\\.net/code/explore/.*/\\w+\\.[a-zA-Z]+";

	private static Pattern pattern = Pattern.compile(pat);

	private static BufferedWriter writer = null;

	/** * 爬虫搜索深度 */
	public static int depth = 0;

	/** * 以"/"来分割URL,获得超链接的元素 * * @param url * @return */
	public static String[] divUrl(String url) {
		return url.split("/");
	}

	/** * 判断是否创建文件 * * @param url * @return */
	public static boolean isCreateFile(String url) {
		Matcher matcher = pattern.matcher(url);
		return matcher.matches();
	}

	/** * 创建对应文件 * * @param content * @param urlPath */
	public static void createFile(String content, String urlPath) { /* 分割url */
		String[] elems = divUrl(urlPath);
		StringBuffer path = new StringBuffer();
		File file = null;
		for (int i = 1; i < elems.length; i++) {
			if (i != elems.length - 1) {
				path.append(elems[i]);
				path.append(File.separator);
				file = new File("D:" + File.separator + path.toString());
			}
			if (i == elems.length - 1) {
				Pattern pattern = Pattern.compile("\\w+\\.[a-zA-Z]+");
				Matcher matcher = pattern.matcher(elems[i]);
				if ((matcher.matches())) {
					if (!file.exists()) {
						file.mkdirs();
					}
					String[] fileName = elems[i].split("\\.");
					file = new File("D:" + File.separator + path.toString() + File.separator + fileName[0] + ".txt");
					try {
						file.createNewFile();
						writer = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(file)));
						writer.write(content);
						writer.flush();
						writer.close();
						System.out.println("创建文件成功");
					} catch (IOException e) {
						e.printStackTrace();
					}
				}
			}
		}
	}

	/** * 获取页面的超链接并将其转换为正式的A标签 * * @param href * @return */
	public static String getHrefOfInOut(String href) { /* 内外部链接最终转化为完整的链接格式 */
		String resultHref = null; /* 判断是否为外部链接 */
		if (href.startsWith("http://")) {
			resultHref = href;
		} else { /* 如果是内部链接,则补充完整的链接地址,其他的格式忽略不处理,如：a href="#" */
			if (href.startsWith("/")) {
				resultHref = "http://www.oschina.net" + href;
			}
		}
		return resultHref;
	}

	/** * 截取网页网页源文件的目标内容 * * @param content * @return */
	public static String getGoalContent(String content) {
		int sign = content.indexOf("<pre class=\"");
		String signContent = content.substring(sign);
		int start = signContent.indexOf(">");
		int end = signContent.indexOf("</pre>");
		return signContent.substring(start + 1, end);
	}

	/** * 检查网页源文件中是否有目标文件 * * @param content * @return */
	public static int isHasGoalContent(String content) {
		return content.indexOf("<pre class=\"");
	}
}

HrefOfPage.java 此类为获取页面的超链接

package com.sreach.spider;

public class HrefOfPage {
	/** * 获得页面源代码中超链接 */
	public static void getHrefOfContent(String content) {
		System.out.println("开始");
		String[] contents = content.split("<a href=\"");
		for (int i = 1; i < contents.length; i++) {
			int endHref = contents[i].indexOf("\"");
			String aHref = FunctionUtils.getHrefOfInOut(contents[i].substring(0, endHref));
			if (aHref != null) {
				String href = FunctionUtils.getHrefOfInOut(aHref);
				if (!UrlQueue.isContains(href) && href.indexOf("/code/explore") != -1
				        && !VisitedUrlQueue.isContains(href)) {
					UrlQueue.addElem(href);
				}
			}
		}
		System.out.println(UrlQueue.size() + "--抓取到的连接数");
		System.out.println(VisitedUrlQueue.size() + "--已处理的页面数");
	}
}

UrlDataHanding.java 此类主要是从未访问队列中获取url,下载页面，分析url，保存已访问url等操作，实现Runnable接口

package com.sreach.spider;

public class UrlDataHanding implements Runnable {
	/** * 下载对应页面并分析出页面对应的URL放在未访问队列中。 * @param url */
	public void dataHanding(String url) {
		HrefOfPage.getHrefOfContent(DownloadPage.getContentFormUrl(url));
	}

	public void run() {
		while (!UrlQueue.isEmpty()) {
			dataHanding(UrlQueue.outElem());
		}
	}
}

UrlQueue.java 此类主要是用来存放未访问的URL队列

package com.sreach.spider;

import java.util.LinkedList;

public class UrlQueue {
	/** 超链接队列 */
	public static LinkedList<String> urlQueue = new LinkedList<String>();

	/** 队列中对应最多的超链接数量 */
	public static final int MAX_SIZE = 10000;

	public synchronized static void addElem(String url) {
		urlQueue.add(url);
	}

	public synchronized static String outElem() {
		return urlQueue.removeFirst();
	}

	public synchronized static boolean isEmpty() {
		return urlQueue.isEmpty();
	}

	public static int size() {
		return urlQueue.size();
	}

	public static boolean isContains(String url) {
		return urlQueue.contains(url);
	}
}

VisitedUrlQueue.java 主要是保存已访问过的URL，使用HashSet来保存，主要是考虑到每个访问过的URL是不同。HashSet刚好符合这个要求

package com.sreach.spider;

import java.util.HashSet;

/** * 已访问url队列 * @author HHZ * */
public class VisitedUrlQueue {
	public static HashSet<String> visitedUrlQueue = new HashSet<String>();

	public synchronized static void addElem(String url) {
		visitedUrlQueue.add(url);
	}

	public synchronized static boolean isContains(String url) {
		return visitedUrlQueue.contains(url);
	}

	public synchronized static int size() {
		return visitedUrlQueue.size();
	}
}

Test.java 此类为测试类

import java.sql.SQLException;
import com.sreach.spider.UrlDataHanding;
import com.sreach.spider.UrlQueue;

public class Test {
	public static void main(String[] args) throws SQLException {
		String url = "http://www.oschina.net/code/explore/achartengine/client/AndroidManifest.xml";
		String url1 = "http://www.oschina.net/code/explore";
		String url2 = "http://www.oschina.net/code/explore/achartengine";
		String url3 = "http://www.oschina.net/code/explore/achartengine/client";
		UrlQueue.addElem(url);
		UrlQueue.addElem(url1);
		UrlQueue.addElem(url2);
		UrlQueue.addElem(url3);
		UrlDataHanding[] url_Handings = new UrlDataHanding[10];
		for (int i = 0; i < 10; i++) {
			url_Handings[i] = new UrlDataHanding();
			new Thread(url_Handings[i]).start();
		}
	}
}

说明一下：由于我抓取的是针对oschina的，所以里面的url正则表达式不适合其他网站，需要自己修改一下。你也可以写成xml来配置。

小弟技术有限，有些地方确实写得不好，希望各位大牛不吝指教。

原文链接：http://www.cnblogs.com/HZhoog/archive/2012/05/08/2490374.html