基于JAVA语言的网络爬虫

Introduction:

这个小demo用于爬取淘宝网的相关链接。

首先从“www.taobao.com"这个url开始,手机页面上的所有url,然后存入toCrawList 。当toCrawList不为空时,拿出一个url,把它存入数据集并且搜寻这个url上的所有链接充入toCrawList. 这是一个BFS过程。


Framework:

Code:

就网络爬虫来讲这个demo没有太多特别之处,只是根据项目需求,最大的爬取url数有个限制,因此效率上会相对的做出一些优化。另外为了防止URL.openStream()时失去响应,初次尝试使用了java中为方法设置超时时间的模块。


主函数:

public static void main(String[] args) {

		can_be_stopped = false;

		if (args.length != 3) {
			System.out
					.println("Usage:java SearchCrawler startUrl maxUrl searchString");
			
		}
		String[] paramers = new String[3];
		paramers[0] = "http://www.taobao.com";
		paramers[1] = "10000";
		paramers[2] = "java";
		int max = Integer.parseInt(paramers[1]);
		dapa crawler = new dapa(paramers[0], max, paramers[2]);
		Thread search = new Thread(crawler);
		System.out.println("Start searching...");
		System.out.println("result:");

		search.start();
	

	}

第一个参数是爬取得首地址,第二个参数是最大爬取得url数(为了优化,代码中对toCrawList的大小也进行了限制。例如我想爬取8000个URL,那么toCrawList如果大于8000,则停止对toCrawList的扩充)。第三个参数无意义。

 在下载页面时,为了防止openStream卡住,我通过java自带的方法来对openStream设置了超时时间,实现时使用代理模式:

private String downloadPage(URL pageUrl) {
		try {
			// Open connection to URL for reading.
			BufferedReader reader = new BufferedReader(new InputStreamReader(
					pageUrl.openStream()));

			// Read page into buffer.
			String line;
			StringBuffer pageBuffer = new StringBuffer();
			
			//int count=1;
			while ((line = reader.readLine()) != null) {

				pageBuffer.append(line);
			}

			return pageBuffer.toString();
		} catch (Exception e) {
		}

		return null;
	}
	private String DownloadPage(URL pageUrl){
		//String page=null;
		 final URL thePage=pageUrl;
		 final ExecutorService exec = Executors.newFixedThreadPool(1);  
		    Callable<String> call = new Callable<String>() {  
		         public String call() throws Exception {  
		        
		            return downloadPage(thePage); 
		         }  
		     };  
		   
		     try {  
		         Future<String> future = exec.submit(call);  
		         // set db connection timeout to 10 seconds  
		         String obj = future.get(1000 * 30, TimeUnit.MILLISECONDS);   
		         return obj;
		        
		     } catch (TimeoutException ex) {  
		         System.out.println("====================task time out===============");  
		         ex.printStackTrace();  
		         
		     } catch (Exception e) {  
		         System.out.println("failed to handle.");  
		         e.printStackTrace();  
	
		     }  
		     // close thread pool  
		     exec.shutdown();  

		     return null;

	}


为了防止程序异常结束或超时,每获取一条url我都要把它添加至文件末尾。 当然大量的文件操作也影响了程序的效率。

File file = new File("D:/scope/url3.txt");
					BufferedWriter bw = null;
					try {
						bw = new BufferedWriter(new FileWriter(file, true));
						bw.write(url + "\r\n");
						bw.close();
					} catch (IOException e) {
						// TODO Auto-generated catch block
						e.printStackTrace();
					}


完整程序:

package snippet;

import java.sql.Connection;
import java.util.*;
import java.net.*;
import java.beans.Statement;
import java.io.*;
import java.util.concurrent.Callable;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.concurrent.Future;
import java.util.concurrent.TimeUnit;
import java.util.concurrent.TimeoutException;
import java.util.regex.*;

import javax.sql.DataSource;

// 搜索Web爬行者
public class dapa implements Runnable {

	/*
	 * disallowListCache缓存robot不允许搜索的URL。 Robot协议在Web站点的根目录下设置一个robots.txt文件,
	 * 规定站点上的哪些页面是限制搜索的。 搜索程序应该在搜索过程中跳过这些区域,下面是robots.txt的一个例子: # robots.txt for
	 * http://somehost.com/ User-agent: * Disallow: /cgi-bin/ Disallow:
	 * /registration # /Disallow robots on registration page Disallow: /login
	 */

	private HashMap<String, ArrayList<String>> disallowListCache = new HashMap<String, ArrayList<String>>();
	ArrayList<String> errorList = new ArrayList<String>();// 错误信息
	ArrayList<String> result = new ArrayList<String>(); // 搜索到的结果
	ArrayList<String> checklist = new ArrayList<String>(); 
	String startUrl;// 开始搜索的起点
	int maxUrl;// 最大处理的url数
	String searchString;// 要搜索的字符串(英文)
	boolean caseSensitive = false;// 是否区分大小写
	boolean limitHost = false;// 是否在限制的主机内搜索
	int totcount=0;

	private static boolean can_be_stopped = false;

	public dapa(String startUrl, int maxUrl, String searchString) {
		this.startUrl = startUrl;
		this.maxUrl = maxUrl;
		this.searchString = searchString;
	}

	public ArrayList<String> getResult() {
		return result;
	}

	public void run() {// 启动搜索线程

		try {
			crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive);
		} catch (Exception e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
		System.out.println("over");
	}

	// 检测URL格式
	private URL verifyUrl(String url) {
		// 只处理HTTP URLs.
		if (!url.toLowerCase().startsWith("http://"))
			return null;

		URL verifiedUrl = null;
		if (url.matches(".*//.*//.*"))
			return null;
		try {
			verifiedUrl = new URL(url);
		} catch (Exception e) {
			return null;
		}

		return verifiedUrl;
	}

	// 检测robot是否允许访问给出的URL.
	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);
					}
				}

				// 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;
	}

	private String downloadPage(URL pageUrl) {
		try {
			// Open connection to URL for reading.
			BufferedReader reader = new BufferedReader(new InputStreamReader(
					pageUrl.openStream()));

			// Read page into buffer.
			String line;
			StringBuffer pageBuffer = new StringBuffer();
			
			//int count=1;
			while ((line = reader.readLine()) != null) {

				pageBuffer.append(line);
			}

			return pageBuffer.toString();
		} catch (Exception e) {
		}

		return null;
	}
	private String DownloadPage(URL pageUrl){
		//String page=null;
		 final URL thePage=pageUrl;
		 final ExecutorService exec = Executors.newFixedThreadPool(1);  
		    Callable<String> call = new Callable<String>() {  
		         public String call() throws Exception {  
		        
		            return downloadPage(thePage); 
		         }  
		     };  
		   
		     try {  
		         Future<String> future = exec.submit(call);  
		         // set db connection timeout to 10 seconds  
		         String obj = future.get(1000 * 30, TimeUnit.MILLISECONDS);   
		         return obj;
		        
		     } catch (TimeoutException ex) {  
		         System.out.println("====================task time out===============");  
		         ex.printStackTrace();  
		         
		     } catch (Exception e) {  
		         System.out.println("failed to handle.");  
		         e.printStackTrace();  
	
		     }  
		     // close thread pool  
		     exec.shutdown();  

		     return null;

	}

	// 从URL中去掉"www"
	private String removeWwwFromUrl(String url) {
		int index = url.indexOf("://www.");
		if (index != -1) {
			return url.substring(0, index + 3) + url.substring(index + 7);
		}

		return (url);
	}

	// 解析页面并找出链接
	private ArrayList<String> retrieveLinks(URL pageUrl, String pageContents,
			HashSet crawledList, boolean limitHost,HashSet toCrawlList) throws Exception {
		// 用正则表达式编译链接的匹配模式。
		Pattern p = Pattern.compile("<a\\s+href\\s*=\\s*\"?(.*?)[\"|>]",
				Pattern.CASE_INSENSITIVE);
		Matcher m = p.matcher(pageContents);

		ArrayList<String> linkList = new ArrayList<String>();
		
		
		while (m.find()) {
			String link = m.group(1).trim();

			if (link.length() < 1) {
				continue;
			}

			// 跳过链到本页面内链接。
			if (link.charAt(0) == '#') {
				continue;
			}

			if (link.indexOf("mailto:") != -1) {
				continue;
			}

			if (link.toLowerCase().indexOf("javascript") != -1) {
				continue;
			}

			if (link.indexOf("://") == -1) {
				continue;
				/*
				 * if (link.charAt(0) == '/') {//处理绝对地 link = "http://" +
				 * pageUrl.getHost()+":"+pageUrl.getPort()+ link; } else {
				 * String file = pageUrl.getFile(); if (file.indexOf('/') == -1)
				 * {//处理相对地址 link = "http://" +
				 * pageUrl.getHost()+":"+pageUrl.getPort() + "/" + link; } else
				 * { String path =file.substring(0, file.lastIndexOf('/') + 1);
				 * link = "http://" + pageUrl.getHost() +":"+pageUrl.getPort()+
				 * path + link; } }
				 */
				// link=link+"-----------";
			}

			int index = link.indexOf('#');
			if (index != -1) {
				link = link.substring(0, index);
			}

			link = removeWwwFromUrl(link);

			URL verifiedLink = verifyUrl(link);
			if (verifiedLink == null) {
				continue;
			}

			/* 如果限定主机,排除那些不合条件的URL */
			if (limitHost
					&& !pageUrl.getHost().toLowerCase()
							.equals(verifiedLink.getHost().toLowerCase())) {
				continue;
			}

			//化简
			link = SimpleUrl(link);
			
			
			
			// 跳过那些已经处理的链接.
			if (crawledList.contains(link)) {
				continue;
			}
			
			if (toCrawlList.contains(link)) {
				continue;
			}
			
		
			


			linkList.add(link);
		}

		return (linkList);
	}

	// 搜索下载Web页面的内容,判断在该页面内有没有指定的搜索字符串

	private boolean searchStringMatches(String pageContents,
			String searchString, boolean caseSensitive) {
		return true;
		/*
		 * String searchContents = pageContents; if (!caseSensitive) {//如果不区分大小写
		 * searchContents = pageContents.toLowerCase(); }
		 * 
		 * 
		 * Pattern p = Pattern.compile("[\\s]+"); String[] terms =
		 * p.split(searchString); for (int i = 0; i < terms.length; i++) { if
		 * (caseSensitive) { if (searchContents.indexOf(terms[i]) == -1) {
		 * return false; } } else { if
		 * (searchContents.indexOf(terms[i].toLowerCase()) == -1) { return
		 * false; } } }
		 * 
		 * return true;
		 */
	}

	// 执行实际的搜索操作
	public ArrayList<String> crawl(String startUrl, int maxUrls,
			String searchString, boolean limithost, boolean caseSensitive)
			throws Exception {

		System.out.println("searchString=" + searchString);
		HashSet<String> crawledList = new HashSet<String>();
		LinkedHashSet<String> toCrawlList = new LinkedHashSet<String>();

		if (maxUrls < 1) {
			errorList.add("Invalid Max URLs value.");
			System.out.println("Invalid Max URLs value.");
		}

		if (searchString.length() < 1) {
			errorList.add("Missing Search String.");
			System.out.println("Missing search String");
		}

		if (errorList.size() > 0) {
			System.out.println("err!!!");
			return errorList;
		}

		// 从开始URL中移出www
		startUrl = removeWwwFromUrl(startUrl);

		toCrawlList.add(startUrl);
		while (toCrawlList.size() > 0) {

			if (maxUrls != -1) {
				if (crawledList.size() == maxUrls) {
					break;
				}
			}

			// Get URL at bottom of the list.
			String url = toCrawlList.iterator().next();

			// Remove URL from the to crawl list.
			toCrawlList.remove(url);

			// Convert string url to URL object.
			URL verifiedUrl = verifyUrl(url);

			// Skip URL if robots are not allowed to access it.
			if (!isRobotAllowed(verifiedUrl)) {
				continue;
			}

			// 增加已处理的URL到crawledList
			crawledList.add(url);
			

			if (!can_be_stopped) {

				System.out.println("--downloadPage..");
				String pageContents = DownloadPage(verifiedUrl);

				if (pageContents != null && pageContents.length() > 0) {
					// 从页面中获取有效的链接
					System.out.println("--retrieveLinks..");
					ArrayList<String> links = retrieveLinks(verifiedUrl,
							pageContents, crawledList, limitHost,toCrawlList);

					// 控制toCrawlList最大容量
					// if(toCrawlList.size()<100000)
					
					if(!links.isEmpty())
					toCrawlList.addAll(links);

					// toCrawlList超过最大搜索数即可不再充入url
					if (toCrawlList.size() > 10000)
						can_be_stopped = true;
				}
			}
		
				
				System.out.println("toCrawList:" + toCrawlList.size());
				//if (searchStringMatches(pageContents, searchString,
				//		caseSensitive)) {
					result.add(url);
					System.out.println("crawledList:" +crawledList.size());
					System.out.println(url);

					File file = new File("D:/scope/url3.txt");
					BufferedWriter bw = null;
					try {
						bw = new BufferedWriter(new FileWriter(file, true));
						bw.write(url + "\r\n");
						bw.close();
					} catch (IOException e) {
						// TODO Auto-generated catch block
						e.printStackTrace();
					}
			//	}

			

		}
		return result;
	}

	String SimpleUrl(String url) throws Exception {

		 URL uri =new URL(url);

		 String result ="http://"+ uri.getHost()+uri.getPath();
	

		 return result;
		 

	}

	// 主函数
	public static void main(String[] args) {

		can_be_stopped = false;

		if (args.length != 3) {
			System.out
					.println("Usage:java SearchCrawler startUrl maxUrl searchString");
			
		}
		String[] paramers = new String[3];
		paramers[0] = "http://www.taobao.com";
		paramers[1] = "10000";
		paramers[2] = "java";
		int max = Integer.parseInt(paramers[1]);
		dapa crawler = new dapa(paramers[0], max, paramers[2]);
		Thread search = new Thread(crawler);
		System.out.println("Start searching...");
		System.out.println("result:");

		search.start();
	

	}
}

输出:

Usage:java SearchCrawler startUrl maxUrl searchString
Start searching...
result:
searchString=java
--downloadPage..
--retrieveLinks..
toCrawList:53
crawledList:1
http://taobao.com
--downloadPage..
--retrieveLinks..
toCrawList:84
crawledList:2
http://style.taobao.com
--downloadPage..
--retrieveLinks..
toCrawList:92
crawledList:3
http://daogou.taobao.com/market/236/searchAuction.htm
--downloadPage..
--retrieveLinks..
toCrawList:107
crawledList:4
http://miiee.taobao.com/themes/theme_333.htm
--downloadPage..
toCrawList:104
crawledList:5
http://reg.taobao.com/member/new_register.jhtml
--downloadPage..
toCrawList:103
crawledList:6
http://i.taobao.com/my_taobao.htm
--downloadPage..
toCrawList:102
crawledList:7
http://vip.taobao.com/growth_info.htm
..

 



  • 4
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值