java 抓取文库,java技术的网页内容智能抓取.doc

java技术的网页内容智能抓取.doc

基于JAVA技术的网页内容智能抓取架构完全基于java的技术核心技术XML解析，HTML解析，开源组件应用。应用的开源组件包括：DOM4J：解析XML文件jericho-html-2.5：解析HTML文件commons-httpclient：读取WEB页面内容工具其他必须的辅助引用包括：commons-codeccommons-loggingjaxen基本业务流程描述通过XML文件定义抓取目标通过DOM4J开源组件读取XML配置文件根据配置文件执行抓取任务对抓取到的内容根据定义进行解析与处理目前缺陷功能描述抓取内容如果有分页，则无法获取下一分页目标页面可能包含有想抓取的信息，但没有抓取的配置选项。如百度贴吧目标页面链接定义不够灵活，对于百度贴吧的链接参数以50增加的只能手动定义没有多线程支持日志输出比较混乱错误处理比较简单，不能对失败的任务自动重新执行，很多地方缺乏错误判断，如空数组程序架构不够清晰，代码略显凌乱不支持抓取结果存入多个表，目前只能将结果放在一个表中是否考虑写一个XML类，提供通用的调用XML节点跟解析结果的方法？规定任务文件的DTD？通配符替换不支持多个替换目前功能描述抓取目标定义作用：批量的定义抓取目标，自动生成要抓取的网页的地址。系统通过这个定义，自动生成要抓取的目标。网页抓取的意义在于批量自动化抓取，不可能手动的输入网址一个个进行抓取，所以抓取目标的自动生成是必须的。抓取目标定义的XML文件范例：XML规则：1.必须包含target节点，target的encode与timeout属性如果采用默认，可以不设置2.multi-url与wildcard-url可以任选一个，也可以并存，最多2个。合理的情况包括：只有一个multi-url，只有一个wildcard-url，一个multi-url和一个wildcard-url。注意，无论wildcard-url跟multi-url的顺序如何，系统都会从multi-url开始执行。3.multi-url下包含至少一个single-url元素，通过single-url元素的href属性设置url4.wildcard-url属性包括href，startpos，endpos，这3个属性都是必须的。目前只支持(*)通配，url中只能有一个(*)，(*)将会被替换成startpos和endpos之间的数字。5.target-regex属性包括root，该属性值将会被添加在通过这个正则匹配得到的url之前。主要针对相对url。相对url需要加上站点的根路径组成完整路径。而如果是绝对url的话，可以将root属性放空。注意，正则表达式需要放在CDATA标签内。因为正则包含特殊字符，必须放在CDATA内，否则很可能导致解析错误。解析过程：1.首先获得页面编码与超时设置，在接下来读取任何html页面的过程中，这2个参数都会被应用。默认的编码为UTF-8，默认的超时时限为5000ms。如果要抓取的网站访问很慢，响应时间特别长，那么这个超时时限可以相应设置得高一点。如果在target中没有指定这2个值，那么系统会采用默认的编码跟超时设置。2.判断是否包含multi-url定义，包含的话调用相应的方法，如果target下定义了target-regex元素，那么multi-url中定义的url会先被读取，然后将读取到的内容使用target-regex中定义的正则表达式进行匹配，将匹配结果作为目标列表返回。如果target下没有定义target-regex，那么将multi-url下所有的url作为目标列表返回。3.判断是否包含wildcard-url定义，包含的话调用相应的方法，首先获得起始跟终结位置，替换生成所有通配的url，接下来同multi-url，如果target下定义了target-regex元素，那么所有生成的通配url会先被读取，然后将读取到的内容使用target-regex中定义的正则表达式进行匹配，将匹配结果作为目标列表返回。如果target下没有定义target-regex，那么将所有生成的通配url作为目标列表返回。举例1：最简单的定义抓取目标例如我们抓取百度的首页，显然这是没什么意义的事情，这里只是举例说明抓取目标的定义方法。这样就完整定义了抓取地址，对于target，我们定义了encode属性，但是省略了timeout属性，因为系统默认是utf8编码，而百度是gb2312编码，必须指定。而timeout我们默认就可以。举例2：通配符url定义抓取目标上网时候经常可以看到某篇文章，如果比较长，就可以会被分成多页，我们点击下一页翻看，对于这样的url地址一般都是非常有规律的，通常它的url带有一个类似page=1之类的属性。假设我们抓取某篇文章的全部内容，这篇文章地址为