谈Java网络爬虫的实现

网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成，其基本架构如下图所示：

传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列，直到满足系统的一定停止条件。对于垂直搜索来说，聚焦爬虫，即有针对性地爬取特定主题网页的爬虫，更为适合。

本文爬虫程序的核心代码如下：

Java代码

    public void crawl() throws Throwable {     
        while (continueCrawling()) {     
            CrawlerUrl url = getNextUrl(); //获取待爬取队列中的下一个URL     
            if (url != null) {     
                printCrawlInfo();      
                String content = getContent(url); //获取URL的文本信息     
                     
                //聚焦爬虫只爬取与主题内容相关的网页，这里采用正则匹配简单处理     
                if (isContentRelevant(content, this.regexpSearchPattern)) {     
                    saveContent(url, content); //保存网页至本地     
        
                    //获取网页内容中的链接，并放入待爬取队列中     
                    Collection urlStrings = extractUrls(content, url);     
                    addUrlsToUrlQueue(url, urlStrings);     
                } else {     
                    System.out.println(url + " is not relevant ignoring ...");     
                }     
        
                //延时防止被对方屏蔽     
                Thread.sleep(this.delayBetweenUrls);     
            }     
        }     
        closeOutputStream();     
    }    

整个函数由getNextUrl、getContent、isContentRelevant、extractUrls、addUrlsToUrlQueue等几个核心方法组成，下面将一一介绍。先看getNextUrl：

Java代码：

private CrawlerUrl getNextUrl() throws Throwable {     
    CrawlerUrl nextUrl = null;     
    while ((nextUrl == null) && (!urlQueue.isEmpty())) {     
        CrawlerUrl crawlerUrl = this.urlQueue.remove();     
                    
        //doWeHavePermissionToVisit：是否有权限访问该URL，友好的爬虫会根据网站提供的"Robot.txt"中配置的规则进行爬取     
        //isUrlAlreadyVisited：URL是否访问过，大型的搜索引擎往往采用BloomFilter进行排重，这里简单使用HashMap     
        //isDepthAcceptable：是否达到指定的深度上限。爬虫一般采取广度优先的方式。一些网站会构建爬虫陷阱（自动生成一些无效链接使爬虫陷入死循环），采用深度限制加以避免     
        if (doWeHavePermissionToVisit(crawlerUrl)     
            && (!isUrlAlreadyVisited(crawlerUrl))      
            && isDepthAcceptable(crawlerUrl)) {     
            nextUrl = crawlerUrl;     
            // System.out.println("Next url to be visited is " + nextUrl);     
        }     
    }     
    return nextUrl;     
} 

更多的关于robot.txt的具体写法，可参考以下这篇文章：

http://www.bloghuman.com/post/67/

getContent内部使用apache的httpclient 4.1获取网页内容，具体代码如下：

Java代码：

    private String getContent(CrawlerUrl url) throws Throwable {     
        //HttpClient4.1的调用与之前的方式不同     
        HttpClient client = new DefaultHttpClient();     
        HttpGet httpGet = new HttpGet(url.getUrlString());     
        StringBuffer strBuf = new StringBuffer();     
        HttpResponse response = client.execute(httpGet);     
        if (HttpStatus.SC_OK == response.getStatusLine().getStatusCode()) {     
            HttpEntity entity = response.getEntity();     
            if (entity != null) {     
                BufferedReader reader = new BufferedReader(     
                    new InputStreamReader(entity.getContent(), "UTF-8"));     
                String line = null;     
                if (entity.getContentLength() > 0) {     
                    strBuf = new StringBuffer((int) entity.getContentLength());     
                    while ((line = reader.readLine()) != null) {     
                        strBuf.append(line);     
                    }     
                }     
            }     
            if (entity != null) {     
                entity.consumeContent();     
            }     
        }     
        //将url标记为已访问     
        markUrlAsVisited(url);     
        return strBuf.toString();     
    }    

对于垂直型应用来说，数据的准确性往往更为重要。聚焦型爬虫的主要特点是，只收集和主题相关的数据，这就是isContentRelevant方法的作用。这里或许要使用分类预测技术，为简单起见，采用正则匹配来代替。其主要代码如下：

Java代码：

    public static boolean isContentRelevant(String content,     
    Pattern regexpPattern) {     
        boolean retValue = false;     
        if (content != null) {     
            //是否符合正则表达式的条件     
            Matcher m = regexpPattern.matcher(content.toLowerCase());     
            retValue = m.find();     
        }     
        return retValue;     
    }  

 

extractUrls的主要作用，是从网页中获取更多的URL，包括内部链接和外部链接，代码如下：

Java代码：

    public List extractUrls(String text, CrawlerUrl crawlerUrl) {     
        Map urlMap = new HashMap();     
        extractHttpUrls(urlMap, text);     
        extractRelativeUrls(urlMap, text, crawlerUrl);     
        return new ArrayList(urlMap.keySet());     
    }     
        
    //处理外部链接     
    private void extractHttpUrls(Map urlMap, String text) {     
        Matcher m = httpRegexp.matcher(text);     
        while (m.find()) {     
            String url = m.group();     
            String[] terms = url.split("a href=\"");     
            for (String term : terms) {     
                // System.out.println("Term = " + term);     
                if (term.startsWith("http")) {     
                    int index = term.indexOf("\"");     
                    if (index > 0) {     
                        term = term.substring(0, index);     
                    }     
                    urlMap.put(term, term);     
                    System.out.println("Hyperlink: " + term);     
                }     
            }     
        }     
    }     
        
    //处理内部链接     
    private void extractRelativeUrls(Map urlMap, String text,     
            CrawlerUrl crawlerUrl) {     
        Matcher m = relativeRegexp.matcher(text);     
        URL textURL = crawlerUrl.getURL();     
        String host = textURL.getHost();     
        while (m.find()) {     
            String url = m.group();     
            String[] terms = url.split("a href=\"");     
            for (String term : terms) {     
                if (term.startsWith("/")) {     
                    int index = term.indexOf("\"");     
                    if (index > 0) {     
                        term = term.substring(0, index);     
                    }     
                    String s = "http://" + host + term;     
                    urlMap.put(s, s);     
                    System.out.println("Relative url: " + s);     
                }     
            }     
        }     
        
    }    

如此，便构建了一个简单的网络爬虫程序，可以使用以下程序来测试它：

Java代码：

    public static void main(String[] args) {     
        try {     
            String url = "http://www.amazon.com";     
            Queue urlQueue = new LinkedList();     
            String regexp = "java";     
            urlQueue.add(new CrawlerUrl(url, 0));     
            NaiveCrawler crawler = new NaiveCrawler(urlQueue, 100, 5, 1000L,     
                    regexp);     
            // boolean allowCrawl = crawler.areWeAllowedToVisit(url);     
            // System.out.println("Allowed to crawl: " + url + " " +     
            // allowCrawl);     
            crawler.crawl();     
        } catch (Throwable t) {     
            System.out.println(t.toString());     
            t.printStackTrace();     
        }     
    }    

当然，你可以为它赋予更为高级的功能，比如多线程、更智能的聚焦、结合Lucene建立索引等等。更为复杂的情况，可以考虑使用一些开源的蜘蛛程序，比如Nutch或是Heritrix等等.