图的遍历分为宽度优先遍历和深度优先遍历两种方式,由于网络的无限性,爬虫采用深度优先遍历会导致陷入过深,故应采用宽度优先遍历,同时,还可以根据遍历网页的权重分配优先级,这就是带偏好的遍历。宽度优先遍历从一系列种子节点开始后,应将之后的子节点依次放入待访问队列,同时,应该保存一张已访问的表,遍历前应先查询是否访问过,从而避免重复访问。即可分为下列步骤:
1. 把解析出来的链接和已访问表中的链接进行比较,若不存在此链接,则表示其未被访问过。
2. 把链接放入TODO表,即待处理表。
3. 处理完毕后,再次从TODO表中取出一条链接进行处理,并放入以访问表。
4. 针对该连接所示网页,再次抓取和解析新链接,重复上述过程。
采用宽度优先搜索策略有以下原因:
1. 重要的网页往往离种子较近。
2. 万维网的深度最多能达到17层。总存在一条权重最短的路径能快速到达指定网页。
3. 宽度优先遍历有利于多爬虫合作抓取,多爬虫合作通常先抓取站内链接,封闭性很强。
4. 链接优化:能避开抓取链接的死循环以及该抓取的资源没有抓取到。
在这里,我们使用HttpClient和Html Parser两个工具包实现抓取,首先是自定义一个待访问队列。
package me.zzx.crawler;
import java.util.LinkedList;
/**
* 队列,保存将要访问的URL
* @author zzx
*
*/
public class Queue {
//使用链表实现队列
private LinkedList<Object> queue = new LinkedList<Object>();
//入队
public void enQueue(Object o) {
queue.addLast(o);
}
//出队
public Object deQueue() {
return queue.removeFirst();
}
//判断队列是否为空
public boolean isQueueEmpty() {
return queue.isEmpty();
}
//判断队列是否包含o
public boolean contains(Object o) {
return queue.contains(o);
}
}
然后用一个哈希表存放已访问链接,并和待访问队列一起封装成LinkQueue
package me.zzx.crawler;
import java.util.HashSet;
import java.util.Set;
/**
* 保存已访问过的URL
* @author zzx
*
*/
public class LinkQueue {
//已访问的URL集合
private static Set<Object> visitedUrls = new HashSet<Object>();
//待访问的URL集合
private static Queue unVisitedUrls = new Queue();
//获得URL队列
public static Queue getUnVisitedUrl() {
return unVisitedUrls;
}
//添加到访问过的URL队列中
public static void addVisitedUrl(String url) {
visitedUrls.add(url);
}
//移除访问过的URL
public static void removeVisitedUrl(String url) {
visitedUrls.remove(url);
}
//未访问的URL出队
public static Object unVisitedUrlDequeue() {
return unVisitedUrls.deQueue();
}
//添加到待访问的URL队列中,保证每个URL只被访问一次
public static void addUnVisitedUrl(String url) {
if(url != null && !url.trim().equals("")
&& !visitedUrls.contains(url)
&& !unVisitedUrls.contains(url)) {
unVisitedUrls.enQueue(url);
}
}
//获得已访问的URL数目
public static int getVisitedUrlNum() {
return visitedUrls.size();
}
//判断待访问的URL队列是否为空
public static boolean unVisitedUrlIsEmpty() {
return unVisitedUrls.isQueueEmpty();
}
}
再创建一个文件下载工具类,用于抓取的下载工作
package me.zzx.crawler;
import java.io.DataOutputStream;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
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;
/**
* 下载网页工具类
* @author zzx
*
*/
public class DownloadFileUtil {
/**
* 根据URL和网页类型生成需要保存的网页的文件名,去除URL中的非文件名字符
*/
public static String getFilenameByUrl(String url, String contentType) {
//移除http://或https://
url = url.charAt(4) == ':' ? url.substring(7) : url.substring(8);
//text/html类型
if(contentType.indexOf("html") != -1) {
url = url.replaceAll("[\\?/:*|<>\"]", "_");
return url.contains(".html")? url : url + ".html";
} else {
//application/pdf等其他类型
url = url.replaceAll("[\\?/:*|<>\"]", "_") + "."
+ contentType.substring(contentType.lastIndexOf("/") + 1);
return url;
}
}
/**
* 保存网页字节数组到本地文件,filePath为要保存文件的相对地址
*/
private static void saveToLocal(InputStream data, String filePath) {
DataOutputStream dos;
try {
dos = new DataOutputStream(new FileOutputStream(new File(filePath)));
int tempByte = -1;
while(((tempByte = data.read()) >= 0)) {
dos.write(tempByte);
}
dos.flush();
dos.close();
} catch (IOException e) {
e.printStackTrace();
} finally {
data = null;
dos = null;
}
}
/**
* 下载URL指向的网页
*/
public static String downloadFile(String url) {
String filePath = null;
//生成HttpClient对象
HttpClient httpClient = new HttpClient();
//设置HTTP连接超时5秒
httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(5000);
//生成GetMethod对象
GetMethod get = new GetMethod(url);
//设置get请求超时5秒
get.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000);
//设置请求重试处理
get.getParams().setParameter(HttpMethodParams.RETRY_HANDLER, new DefaultHttpMethodRetryHandler());
//执行HTTP GET请求
try {
int statusCode = httpClient.executeMethod(get);
//判断访问状态码
if(statusCode != HttpStatus.SC_OK) {
System.err.println("Method Failed: " + get.getStatusLine());
}
//处理HTTP响应内容
InputStream responseBody = get.getResponseBodyAsStream();
//根据网页URL生成保存时的文件名
filePath = "temp\\" + getFilenameByUrl(url, get.getResponseHeader("Content-Type").getValue());
saveToLocal(responseBody, filePath);
} catch (HttpException e) {
//发生致命的异常,可能是协议不对或者返回的内容有问题
System.out.println("Please check your provided http address!");
e.printStackTrace();
} catch (IOException e) {
//发生IO异常
e.printStackTrace();
} finally {
//释放连接,重要
get.releaseConnection();
}
return filePath;
}
}
另外提供下载文件工具类的基于HttpClient4的写法供参考
package me.zzx.crawler;
import java.io.DataOutputStream;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.InterruptedIOException;
import java.net.ConnectException;
import java.net.UnknownHostException;
import javax.net.ssl.SSLException;
import org.apache.http.HttpEntityEnclosingRequest;
import org.apache.http.HttpRequest;
import org.apache.http.HttpResponse;
import org.apache.http.HttpStatus;
import org.apache.http.client.HttpClient;
import org.apache.http.client.HttpRequestRetryHandler;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.AbstractHttpClient;
import org.apache.http.impl.client.DefaultHttpClient;
import org.apache.http.params.HttpConnectionParams;
import org.apache.http.params.HttpParams;
import org.apache.http.protocol.ExecutionContext;
import org.apache.http.protocol.HttpContext;
/**
* 下载网页工具类
* @author zzx
*
*/
public class DownloadFileUtil {
private static final int DEFAULT_RETRY_TIME = 5;
/**
* 根据URL和网页类型生成需要保存的网页的文件名,去除URL中的非文件名字符
*/
public static String getFilenameByUrl(String url, String contentType) {
//移除http://或https://
url = url.charAt(4) == ':' ? url.substring(7) : url.substring(8);
//text/html类型
if(contentType.indexOf("html") != -1) {
url = url.replaceAll("[\\?/:*|<>\"]", "_");
return url.contains(".html")? url : url + ".html";
} else {
//application/pdf等其他类型
url = url.replaceAll("[\\?/:*|<>\"]", "_") + "."
+ contentType.substring(contentType.lastIndexOf("/") + 1);
return url;
}
}
/**
* 保存网页字节数组到本地文件,filePath为要保存文件的相对地址
*/
private static void saveToLocal(InputStream data, String filePath) {
DataOutputStream dos;
try {
dos = new DataOutputStream(new FileOutputStream(new File(filePath)));
int tempByte = -1;
while(((tempByte = data.read()) >= 0)) {
dos.write(tempByte);
}
dos.flush();
dos.close();
} catch (IOException e) {
e.printStackTrace();
} finally {
data = null;
dos = null;
}
}
/**
* 下载URL指向的网页
*/
public static String downloadFile(String url) {
String filePath = null;
//生成HttpClient对象
HttpClient httpClient = new DefaultHttpClient();
HttpParams params = httpClient.getParams();
//设置HTTP连接超时5秒
HttpConnectionParams.setConnectionTimeout(params, 5000);
//生成GetMethod对象
HttpGet get = new HttpGet(url);
//设置get请求超时5秒
get.getParams().setParameter(HttpConnectionParams.SO_TIMEOUT, 5000);
//设置请求重试处理
((AbstractHttpClient)httpClient).setHttpRequestRetryHandler(new HttpRequestRetryHandler() {
@Override
public boolean retryRequest(IOException exception, int executionCount, HttpContext context) {
if (executionCount >= DEFAULT_RETRY_TIME) {
return false;
} else if (exception instanceof InterruptedIOException) {
// Timeout
return false;
} else if (exception instanceof UnknownHostException) {
// Unknown host
return false;
} else if (exception instanceof ConnectException) {
return false;
} else if (exception instanceof SSLException) {
// SSL handshake exception
return false;
}
HttpRequest request = (HttpRequest) context.getAttribute(ExecutionContext.HTTP_REQUEST);
boolean idempotent = !(request instanceof HttpEntityEnclosingRequest);
// Retry if the request is considered idempotent
if (idempotent)
return true;
return false;
}
});
//执行HTTP GET请求
try {
HttpResponse response = httpClient.execute(get);
int statusCode = response.getStatusLine().getStatusCode();
//判断访问状态码
if(statusCode != HttpStatus.SC_OK) {
System.err.println("Method Failed: " + statusCode);
}
//处理HTTP响应内容
InputStream responseBody = response.getEntity().getContent();
//根据网页URL生成保存时的文件名
filePath = "temp\\" + getFilenameByUrl(url, response.getEntity().getContentType().getValue());
saveToLocal(responseBody, filePath);
} catch (IOException e) {
//发生IO异常
e.printStackTrace();
} finally {
//释放连接,重要
get.abort();
}
return filePath;
}
}
再使用引入的Html Parser,构建一个网页链接解析类
package me.zzx.crawler;
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.ImageTag;
import org.htmlparser.tags.LinkTag;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;
public class HtmlParserUtil {
//获取一个网站上的链接,filter用来过滤链接
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");
//过滤<frame>标签的filter,用来提取frame标签里的src属性
NodeFilter frameFilter = new NodeFilter() {
private static final long serialVersionUID = 1L;
@Override
public boolean accept(Node node) {
if(node.getText().startsWith("frame src="))
return true;
return false;
}
};
//OrFilter来设置过滤<a><frame><img>标签
NodeFilter[] predicates = new NodeFilter[]{new NodeClassFilter(ImageTag.class), new NodeClassFilter(LinkTag.class), frameFilter};
OrFilter linkFilter = new OrFilter(predicates);
//得到所有经过过滤的标签
NodeList list = parser.extractAllNodesThatMatch(linkFilter);
for(int i = 0; i < list.size(); i++) {
Node tag = list.elementAt(i);
//<a>标签
if(tag instanceof LinkTag) {
LinkTag link = (LinkTag) tag;
String linkUrl = link.getLink();
if(filter.accept(linkUrl)) links.add(linkUrl);
//<image>标签
} else if(tag instanceof ImageTag) {
ImageTag image = (ImageTag) tag;
String imageUrl = image.getImageURL();
if(filter.accept(imageUrl)) links.add(imageUrl);
//<frame>标签
} else {
//提取frame里的src属性的链接
String frame = tag.getText();
//System.out.println(frame);
int start = frame.indexOf("src=");
frame = frame.substring(start);
int end = frame.indexOf("/");
if(end == -1) end = frame.indexOf(">");
String frameUrl = frame.substring(5, end - 1);
if(filter.accept(frameUrl)) links.add(frameUrl);
}
}
} catch (ParserException e) {
e.printStackTrace();
}
return links;
}
}
创建一个监听器接口,用于监听抓取特定链接
package me.zzx.crawler;
public interface LinkFilter {
public boolean accept(String url);
}
最后是爬虫的主程序
package me.zzx.crawler;
import java.util.Set;
public class TestCrawler {
/**
* 使用种子初始化URL队列
* @param seeds 种子URL
*/
private void initCrawlerWithSeeds(String[] seeds) {
for(String seed : seeds)
LinkQueue.addUnVisitedUrl(seed);
}
/**
* 抓取过程
* @param seeds
*/
public void crawling(String[] seeds) {
//定义过滤器,提取以http(s)://www.alibaba.com开头的链接
LinkFilter filter = new LinkFilter() {
@Override
public boolean accept(String url) {
if(url.startsWith("http://www.alibaba.com") || url.startsWith("https://www.alibaba.com"))
return true;
return false;
}
};
//初始化URL队列
initCrawlerWithSeeds(seeds);
//循环条件:待抓取队列不为空且已抓取的网页不多于1000
while(!LinkQueue.unVisitedUrlIsEmpty() && LinkQueue.getVisitedUrlNum() <= 1000) {
String visitingUrl = (String) LinkQueue.unVisitedUrlDequeue();
if(visitingUrl == null) continue;
//下载网页
DownloadFileUtil.downloadFile(visitingUrl);
//该URL放入已访问的URL中
LinkQueue.addVisitedUrl(visitingUrl);
//提取出新的URL
Set<String> links = HtmlParserUtil.extracLinks(visitingUrl, filter);
//新的未访问URL入队
for(String link : links) {
LinkQueue.addUnVisitedUrl(link);
}
}
}
//main方法入口
public static void main(String[] args) {
TestCrawler crawler = new TestCrawler();
crawler.crawling(new String[] {"https://www.alibaba.com"});
}
}
在将抓取的URL链接入队后,不一定严格按照先进先出的策略去访问,而是可以有选择地将权重值较高地链接先访问,影响权重的因素很多,包括链接地欢迎度IB(P),链接地重要度IL(P)以及平均链接深度等。在这里,我们使用Java内置地支持优先级的队列,来替换掉原有LinkQueue的实现,代码如下
package me.zzx.crawler;
import java.util.HashSet;
import java.util.PriorityQueue;
import java.util.Set;
/**
* 保存已访问过的URL
* @author zzx
*
*/
public class PreferenceLinkQueue {
//已访问的URL集合
private static Set<Object> visitedUrls = new HashSet<Object>();
//待访问的URL集合
private static PriorityQueue<Object> unVisitedUrls = new PriorityQueue<Object>();
//获得URL队列
public static PriorityQueue<Object> getUnVisitedUrl() {
return unVisitedUrls;
}
//添加到访问过的URL队列中
public static void addVisitedUrl(String url) {
visitedUrls.add(url);
}
//移除访问过的URL
public static void removeVisitedUrl(String url) {
visitedUrls.remove(url);
}
//未访问的URL出队
public static Object unVisitedUrlDequeue() {
return unVisitedUrls.poll();
}
//添加到待访问的URL队列中,保证每个URL只被访问一次
public static void addUnVisitedUrl(String url) {
if(url != null && !url.trim().equals("")
&& !visitedUrls.contains(url)
&& !unVisitedUrls.contains(url)) {
unVisitedUrls.add(url);
}
}
//获得已访问的URL数目
public static int getVisitedUrlNum() {
return visitedUrls.size();
}
//判断待访问的URL队列是否为空
public static boolean unVisitedUrlIsEmpty() {
return unVisitedUrls.isEmpty();
}
}