工程在下面
最近,有个朋友说,想在一些页面上获取一些关键性得信息。比如,电话,地址等等。一个个页面去找 又很麻烦。这时候,想起了 何不去用“爬虫”去抓取一些想要得东西。省事,省里。好,今天 我们就讲讲,关于爬虫得一些东西。
这里 自己也是,看了一些关于爬虫得知识,正好,这几日闲来没事。做了一个功能小得爬虫。
这里是使用 java来进行编写得 首先 我们来介绍下。使用得框架,jdk1.6,htmlparser.jar(java 经典访问html页面得类),httpclient-3.01.jar,logging-1.1.jar,codec-1.4.jar。
说好了这些 我们来说下 爬虫得基本思想。说简单了,就是 宽度优先遍历,大家可能对深度优先遍历比较熟悉。宽度优先遍历那。其实也可以很简单得去理解。把你的电脑理解为一个站点,互联网就是一个网状得散步开来。而我们要做得是从你的站点出发,先访问离你最近,然后绕圈,再然后 访问下一级,这样一圈圈得 访问下去,很像当时在学校学习得图得概念。 那我们就可以把 百度,新浪,。。等这样得网站作为站点,从他本身开始挖掘。
说了 思想我们开始 我们得第一步,首先我们要把,我们得想法来实现他。 第一步,我们要来定义下 我们需要用到得一些类。首先,我们要记住一条那就是访问过得 ,没必要去访问了。那我们就有了 队列得感念,先进先出。我们要有队列得管理类。
import java.util.LinkedList;
public class Queue {
private LinkedList queue = new LinkedList();
public void enQueue(Object t) {
queue.addLast(t);
}
public Object deQueue() {
return queue.removeFirst();
}
public boolean isQueueEmpty() {
return queue.isEmpty();
}
public boolean contians(Object t) {
return queue.contains(t);
}
}
import java.util.HashSet;
import java.util.Set;
public class LinkQueue {
private static Set visitedUrl = new HashSet();
private static Queue unVisitedUrl = new Queue();
public static Queue getUnVisitedUrl(){
return unVisitedUrl;
}
public static void addVisitedUrl(String url) {
visitedUrl.add(url);
}
public static void removeVIsitedUrl(String url){
visitedUrl.remove(url);
}
public static Object unVisitedUrlDeQueue(){
return unVisitedUrl.deQueue();
}
public static void addUnvisitedUrl(String url){
if(url != null && !url.trim().equals("") && !visitedUrl.contains(url) && !unVisitedUrl.contians(url)){
unVisitedUrl.enQueue(url);
}
}
public static int getVisitedUrlNum(){
return visitedUrl.size();
}
public static boolean unVisitedUrlsEmpty(){
return unVisitedUrl.isQueueEmpty();
}
}
写好队列得管理之后 ,我们要写最关键得类那下载页面类和获取页面信息并处理得一个类。
我这里是 把获取得 title 和 网址 得一些信息写入了 一个文件,大家可以根据 自己得要求,来修改获取得信息得要求和处理得方式。
import java.io.ByteArrayInputStream;
import java.io.DataOutputStream;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.FileWriter;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
import java.net.URLDecoder;
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 {
public String getFileNameByUrl(String url,String contentType){
// url = url.substring(arg0)
if(contentType.indexOf("html") != -1){
url = url.replaceAll("[\\?/:*|<>\"]http" ,"");
return url;
}else {
return url.replaceAll("[\\?/:*|<>\"]http", "")+"."+contentType.substring(contentType.lastIndexOf("/")+1);
}
}
private void saveToLocal(String data){
// DataOutputStream outputStream;
try {
// outputStream = new DataOutputStream(new FileOutputStream(new File("/Users/vika/Desktop/url.txt")));
// outputStream.writeUTF(data);
// outputStream.flush();
// outputStream.close();
FileWriter fw = new FileWriter("/Users/vika/Desktop/url.txt", true);
fw.write(data);
fw.close();
// OutputStream output = null;
// File file = new File("/Users/vika/Desktop/url.txt");
// output = new FileOutputStream(file);
// int tempByte = -1;
// while((tempByte=data.read())>0){
// output.write(tempByte);
// }
//
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
public String downloadFile(String url) {
String filePath = null;
HttpClient httpClient = new HttpClient();
httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(5000);
GetMethod getMethod = new GetMethod(url);
getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000);
getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,new DefaultHttpMethodRetryHandler());
try {
int code = httpClient.executeMethod(getMethod);
if(code != HttpStatus.SC_OK){
System.err.println("Method failed: "+getMethod.getStatusLine());
filePath = null;
}
InputStream responseBody = getMethod.getResponseBodyAsStream();// 读取为字节数组 // 根据网页 url 生成保存时的文件名
String content = getMethod.getResponseBodyAsString();
if(content.contains("title")){
content = content.substring(content.indexOf("<title>"), content.indexOf("</title>"));
//URLDecoder.decode(content, "UTF-8");
}
filePath = getFileNameByUrl(url, getMethod.getResponseHeader(
"Content-Type").getValue());
//saveToLocal(new ByteArrayInputStream((filePath+content).getBytes()));
saveToLocal(filePath+content+"\n");
System.out.println(filePath);
System.out.println(content);
} catch (HttpException e) {
// TODO Auto-generated catch block
System.out.println("Please check your provided http address!");
e.printStackTrace();
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}finally{
getMethod.releaseConnection();
}
return filePath;
}
}
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 {
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");
final NodeFilter frameFilter = new NodeFilter() {
@Override
public boolean accept(org.htmlparser.Node node) {
// TODO Auto-generated method stub
return true;
// if (node.getText().startsWith("frame src=")) {
// return true;
// } else {
// return false;
// }
}
};
OrFilter linkFilter = new OrFilter(new NodeClassFilter(LinkTag.class),frameFilter);
NodeList list = (NodeList) parser.extractAllNodesThatMatch(linkFilter);
for (int i = 0; i < list.size(); i++) {
Node tag = (Node) list.elementAt(i);
if(tag instanceof LinkTag){
LinkTag link = (LinkTag)tag;
String linkUrl = link.getLink();
if(filter.accept(linkUrl)){
links.add(linkUrl);
}else {
String frame = ((LinkTag) tag).getText();
// int start = frame.indexOf("href=");
// frame = frame.substring(start);
// int end = frame.indexOf(" ");
// if(end == -1)
// end = frame.indexOf(">");
// String frameUrl = frame.substring(5,end - 1);
if(filter.accept(frame)){
links.add(frame);
}
}
}
}
} catch (ParserException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
return links;
}
}
这里还用到了一个接口
public interface LinkFilter {
public boolean accept(String url);
}
搞好了这些 我们来写我们得主类。这里 我就随便定义了一下。
用Test作了主类。
这里设置下 获取得 超时设置 我设置得是 5s,还有 关键字,我设置得是 youku,因为 我抓取得是www.youku.com上面得信息,只要 包含rul中包含youku关键字 。我就全部获取。这里可以根据自己得喜好来抓取。
public static void main(String[] args) {
// TODO Auto-generated method stub
Test test = new Test();
test.crawling(new String[]{"http://www.youku.com/"});
}
private void initCrawlerWithSeeds(String[] seeds)
{
for(int i=0;i<seeds.length;i++)
LinkQueue.addUnvisitedUrl(seeds[i]);
}
public void crawling(String[] seeds){
LinkFilter filter = new LinkFilter() {
@Override
public boolean accept(String url) {
// TODO Auto-generated method stub
if(url.contains("youku"))
return true;
else
return false;
}
};
initCrawlerWithSeeds(seeds);
while(!LinkQueue.unVisitedUrlsEmpty()
&&LinkQueue.getVisitedUrlNum()<=100000){
String visitUrl = (String)LinkQueue.unVisitedUrlDeQueue();
if(visitUrl == null)
continue;
DownLoadFile downLoadFile = new DownLoadFile();
downLoadFile.downloadFile(visitUrl);
LinkQueue.addVisitedUrl(visitUrl);
Set<String>links=HtmlParserTool.extracLinks(visitUrl,filter);
for(String link:links)
{
LinkQueue.addUnvisitedUrl(link);
}
}
}
工程文件
点击打开链接