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