爬虫怎么实现

言归正传，java实现网络爬虫一般有五种方法（据我所知，要是有其他方法的同学欢迎分享）

1.基于socket通信编写爬虫：最底层的方式，同时也是执行最高效的，不过开发效率最低。

2.基于HttpURLConnection类编写爬虫：java se的net包的核心类，主要用于http的相关操作。

3.基于apache的HttpClient包编写爬虫：由net包拓展而来，专为java网络通信编程而服务。

4.基于phantomjs之类的无头（无界面）浏览器：

    (1)它是浏览器的核心，并非浏览器。换言之，它是没有UI的浏览器。

    (2)它提供的js api，故它可以方便直接的被各种程序语言调用。换言之，似乎是js写的。

5.基于Selenium或者是WebDriver之类的有头（有界面）浏览器

    (1)它是浏览器核心，并非浏览器。换言之，它是没有界面UI的浏览器。无头，即无界面。

    (2)它提供的js api,故它可以方便直接的被各种程序语言调用。

其实第五个呢，我也不是很熟悉，到时候写第五篇的时候呢，会一边学一边写，可能会有比较幼稚的错误，欢迎大家指点哈。

这部分呢。借鉴了周光亮老师的视频上的部分讲解。

首先，这篇介绍的是socket编程编写爬虫，当然，一般在程序开发的时候我们一般不会用这种方式，毕竟httpclient几行代码的事情，但是基于这种方式使其他的方式更易于理解，了解一下还是比较必要的。

    socket并不是什么通信协义，只是为了方便tcp/ip层的上层访问tcp/ip层而做一层封装。即应用层以下负责ip地址间的传输，而应用层应用socket实现端对端的传输，即精确到    IP:端口。

首先呢，因为之后要写出很多的类，所以提前规划一下包结构是比较好的，如下：

com.lzx.simple.control这个包是用来给用户控制行为的包

com.lzx.simple.enumeration 这个包集合了一些枚举类型，如TaskLevel用来控制优先级。

package com.lzx.simple.enumeration;
 
/**
 * 抓取任务的优先级等级
 * @author Administrator
 *
 */
public enum TaskLevel {
    HIGH,MIDDLES,LOW
}
com.lzx.simple.iface.crawl这个包集合了一些接口，毕竟我们需要面向接口来编程，什么是面向接口编程？去拿本设计模式的书出去罚站

package com.lzx.simple.iface.crawl;
 
import com.lzx.simple.pojos.CrawlResultPojo;
import com.lzx.simple.pojos.UrlPojo;
 
public interface ICrawler {
    public CrawlResultPojo crawl(UrlPojo urlPojo);
}
com.lzx.simple.imple.crawl这个包集合了一些接口的实现类，比如这次的SocktCrawlerImpl类实现了ICrawler接口，这个类的代码不放了，待会儿单独解释。

com.lzx.simple.manager这个包集合了一些管理方法

com.lzx.simple.pojos这个包集合了一些简单对象，例如UrlPojo类

package com.lzx.simple.pojos;
 
import java.net.MalformedURLException;
import java.net.URL;
 
import com.lzx.simple.enumeration.TaskLevel;
 
/**
 * 简单的Java对象（Plain Ordinary Java Objects）
 * @author Administrator
 *
 */
public class UrlPojo {
    private String url;
    private TaskLevel taskLevel;
    
    public String getHost(){
        try {
            URL url = new URL(this.url);
            return url.getHost();
        } catch (MalformedURLException e) {
            // TODO 自动生成的 catch 块
            e.printStackTrace();
        }
        return null;
    }
    
    
    public UrlPojo(String url) {
        this.url = url;
    }
    public UrlPojo(String url, TaskLevel taskLevel) {
        this.url = url;
        this.taskLevel = taskLevel;
    }
    public String getUrl() {
        return url;
    }
    public void setUrl(String url) {
        this.url = url;
    }
    public TaskLevel getTaskLevel() {
        return taskLevel;
    }
    public void setTaskLevel(TaskLevel taskLevel) {
        this.taskLevel = taskLevel;
    }
    
}
我们可以看到UrlPojo中有url属性（网址）和taskLevel（优先级），除了getset还有gethost函数，这个类封装 了一个需抓取的网页，还有另一个类如下：

package com.lzx.simple.pojos;
 
public class CrawlResultPojo {
    private boolean isSuccess;
    private String pageContent;
    private int httpStatuCode;
    public boolean isSuccess() {
        return isSuccess;
    }
    public void setSuccess(boolean isSuccess) {
        this.isSuccess = isSuccess;
    }
    public String getPageContent() {
        return pageContent;
    }
    public void setPageContent(String pageContent) {
        this.pageContent = pageContent;
    }
    public int getHttpStatuCode() {
        return httpStatuCode;
    }
    public void setHttpStatuCode(int httpStatuCode) {
        this.httpStatuCode = httpStatuCode;
    }
}
我们用CrawlResultPojo这个类来表示抓取结果，三个属性都很显而易见，抓取是否成功，网页内容，状态码。还有相应getset。
有些package还没有文件，之后用到会添加并说明。

然后开始我们的socket通信的类：

package com.lzx.simple.imple.crawl;
 
import java.io.BufferedReader;
import java.io.BufferedWriter;
import java.io.IOException;
import java.io.InputStreamReader;
import java.io.OutputStreamWriter;
import java.net.Socket;
import java.net.UnknownHostException;
 
import javax.swing.text.AbstractDocument.BranchElement;
 
import com.lzx.simple.iface.crawl.ICrawler;
import com.lzx.simple.pojos.CrawlResultPojo;
import com.lzx.simple.pojos.UrlPojo;
 
public class SocketCrawlerImpl implements ICrawler{
 
    public CrawlResultPojo crawl(UrlPojo urlPojo) {
        CrawlResultPojo crawlResultPojo=new CrawlResultPojo();
        if (urlPojo==null||urlPojo.getUrl()==null ){
            crawlResultPojo.setSuccess(false);
            crawlResultPojo.setPageContent(null);
            
            return crawlResultPojo;
        }
        String host=urlPojo.getHost();
        if (host==null) {
            crawlResultPojo.setSuccess(false);
            crawlResultPojo.setPageContent(null);
            
            return crawlResultPojo;
        }
        BufferedWriter bufferedWriter=null;
        BufferedReader bufferedReader=null;
        try {
            Socket socket=new Socket(host, 80);
            //socket.setKeepAlive(false);
            bufferedWriter=new BufferedWriter(new OutputStreamWriter(socket.getOutputStream()));
            bufferedWriter.write("GET "+urlPojo.getUrl()+" HTTP/1.1\r\n");
            bufferedWriter.write("HOST:"+host+"\r\n");
            bufferedWriter.write("Connection:close"+"\r\n");
            bufferedWriter.write("\r\n");//提示http header结束
            bufferedWriter.flush();//flush()表示强制将缓冲区中的数据发送出去,不必等到缓冲区满.
            
            bufferedReader=new BufferedReader(new InputStreamReader(socket.getInputStream()));
            String line;
            StringBuilder stringBuilder=new StringBuilder();
            while((line=bufferedReader.readLine())!=null){
                stringBuilder.append(line+"\n");
            }
            crawlResultPojo.setSuccess(true);
            crawlResultPojo.setPageContent(stringBuilder.toString());
            
            return crawlResultPojo;
        } catch (UnknownHostException e) {
            // TODO 自动生成的 catch 块
            e.printStackTrace();
        } catch (IOException e) {
            // TODO 自动生成的 catch 块
            e.printStackTrace();
        }finally {
            try {
                if (bufferedReader!=null) {
                    bufferedReader.close();                    
                }
                if (bufferedWriter!=null) {
                    bufferedWriter.close();                                    
                }
            } catch (Exception e2) {
                // TODO: handle exception
                e2.printStackTrace();
            }
        }
        return null;
    }
    public static void main(String[] args) {
        SocketCrawlerImpl socketCrawlerImpl=new SocketCrawlerImpl();
        UrlPojo urlPojo=new UrlPojo("http://www.baidu.com");
        CrawlResultPojo crawlResultPojo=socketCrawlerImpl.crawl(urlPojo);
        System.out.println(crawlResultPojo.getPageContent());
    }
 
}

这个是整个类的源码

主要的抓取工作就在crawl这个函数中，因为我们要返回CrawlResultPojo对象，所以一开始new了一个CrawlResultPojo；

然后判断待抓取的网页对象urlPojo是不是空，以及它的属性url是不是空。如果是就构造个返回失败的CrawlResultPojo返回回去。

然后gethost获得待抓取对象的主机名，用于待会儿构造http header。当然也要判断一下首部是否为空了。

然后构造缓冲输入流和输出流bufferedWriter和bufferedReader；

然后构造Socket，构造函数的参数这里是主机名+端口，端口默认是80，如果有特殊需要再改动；当然构造函数的参数也可以是IP地址+端口，端对端通信的本质。

然后在bufferedWriter构造http首部以便发送。

这里就有一个比较有趣事情了，周光亮老师在视频的讲解中发现了一个bug，他发现使用http/1.1的协议会导致抓取有一段真空期，即程序输出完这个页面的字符串后，会停顿一段时间然后再结束程序，而改用http/1.0的协议就不会，抓取完直接结束程序，周老师当时调试了很久都没有解决。

其实主要原因呢，是他在构造http首部的时候没有加

bufferedWriter.write("Connection:close"+"\r\n");
这段代码，为什么加了这段代码后就可以去除真空期呢？

因为，

http 1.0中默认是关闭的，需要在http头加入"Connection: Keep-Alive"，才能启用Keep-Alive；

http 1.1中默认启用Keep-Alive，如果加入"Connection: close "，才关闭。
嗯，1.1版本更持久一点- -，

构造完就调用flush扔出去了

然后输入流就不多说了，基本套路。

这样就实现了socket抓取网页= =。
--------------------- 
作者：AaronLin_ 
来源：CSDN 
原文：https://blog.csdn.net/qq_35159818/article/details/80753701 
版权声明：本文为博主原创文章，转载请附上博文链接！