http://blog.csdn.net/dreamrealised/article/details/12612349?ADUIN=283302847&ADSESSION=1392861528&ADTAG=CLIENT.QQ.5281_.0&ADPUBNO=26292#userconsent#
一、网络爬虫的基本知识
网络爬虫通过遍历互联网络,把网络中的相关网页全部抓取过来,这体现了爬的概念。爬虫如何遍历网络呢,互联网可以看做是一张大图,每个页面看做其中的一个节点,页面的连接看做是有向边。图的遍历方式分为宽度遍历和深度遍历,但是深度遍历可能会在深度上过深的遍历或者陷入黑洞。所以,大多数爬虫不采用这种形式。另一方面,爬虫在按照宽度优先遍历的方式时候,会给待遍历的网页赋予一定优先级,这种叫做带偏好的遍历。
实际的爬虫是从一系列的种子链接开始。种子链接是起始节点,种子页面的超链接指向的页面是子节点(中间节点),对于非html文档,如excel等,不能从中提取超链接,看做图的终端节点。整个遍历过程中维护一张visited表,记录哪些节点(链接)已经处理过了,跳过不作处理。
使用宽度优先搜索策略,主要原因有:
a、重要的网页一般离种子比较近,例如我们打开的新闻网站时候,往往是最热门的新闻,随着深入冲浪,网页的重要性越来越低。
b、万维网实际深度最多达17层,但到达某个网页总存在一条很短路径,而宽度优先遍历可以最快的速度找到这个网页
c、宽度优先有利于多爬虫合作抓取。
二、网络爬虫的简单实现
1、定义已访问队列,待访问队列和爬取得URL的哈希表,包括出队列,入队列,判断队列是否空等操作
- package webspider;
- import java.util.HashSet;
- import java.util.PriorityQueue;
- import java.util.Set;
- import java.util.Queue;
- public class LinkQueue {
- // 已访问的 url 集合
- private static Set visitedUrl = new HashSet();
- // 待访问的 url 集合
- private static Queue unVisitedUrl = new PriorityQueue();
- // 获得URL队列
- public static Queue getUnVisitedUrl() {
- return unVisitedUrl;
- }
- // 添加到访问过的URL队列中
- public static void addVisitedUrl(String url) {
- visitedUrl.add(url);
- }
- // 移除访问过的URL
- public static void removeVisitedUrl(String url) {
- visitedUrl.remove(url);
- }
- // 未访问的URL出队列
- public static Object unVisitedUrlDeQueue() {
- return unVisitedUrl.poll();
- }
- // 保证每个 url 只被访问一次
- public static void addUnvisitedUrl(String url) {
- if (url != null && !url.trim().equals("") && !visitedUrl.contains(url)
- && !unVisitedUrl.contains(url))
- unVisitedUrl.add(url);
- }
- // 获得已经访问的URL数目
- public static int getVisitedUrlNum() {
- return visitedUrl.size();
- }
- // 判断未访问的URL队列中是否为空
- public static boolean unVisitedUrlsEmpty() {
- return unVisitedUrl.isEmpty();
- }
- }
- package webspider;
- import java.io.DataOutputStream;
- import java.io.File;
- import java.io.FileOutputStream;
- import java.io.IOException;
- 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 {
- /**
- * 根据 url 和网页类型生成需要保存的网页的文件名 去除掉 url 中非文件名字符
- */
- public String getFileNameByUrl(String url, String contentType) {
- // remove http://
- url = url.substring(7);
- // text/html类型
- if (contentType.indexOf("html") != -1) {
- url = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html";
- return url;
- }
- // 如application/pdf类型
- else {
- return url.replaceAll("[\\?/:*|<>\"]", "_") + "."
- + contentType.substring(contentType.lastIndexOf("/") + 1);
- }
- }
- /**
- * 保存网页字节数组到本地文件 filePath 为要保存的文件的相对地址
- */
- private void saveToLocal(byte[] data, String filePath) {
- try {
- DataOutputStream out = new DataOutputStream(new FileOutputStream(
- new File(filePath)));
- for (int i = 0; i < data.length; i++)
- out.write(data[i]);
- out.flush();
- out.close();
- } catch (IOException e) {
- e.printStackTrace();
- }
- }
- /* 下载 url 指向的网页 */
- public String downloadFile(String url) {
- String filePath = null;
- /* 1.生成 HttpClinet 对象并设置参数 */
- HttpClient httpClient = new HttpClient();
- // 设置 Http 连接超时 5s
- httpClient.getHttpConnectionManager().getParams()
- .setConnectionTimeout(5000);
- /* 2.生成 GetMethod 对象并设置参数 */
- GetMethod getMethod = new GetMethod(url);
- // 设置 get 请求超时 5s
- getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000);
- // 设置请求重试处理
- getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,
- new DefaultHttpMethodRetryHandler());
- /* 3.执行 HTTP GET 请求 */
- try {
- int statusCode = httpClient.executeMethod(getMethod);
- // 判断访问的状态码
- if (statusCode != HttpStatus.SC_OK) {
- System.err.println("Method failed: "
- + getMethod.getStatusLine());
- filePath = null;
- }
- /* 4.处理 HTTP 响应内容 */
- byte[] responseBody = getMethod.getResponseBody();// 读取为字节数组
- // 根据网页 url 生成保存时的文件名
- filePath = "f:\\spider\\"
- + getFileNameByUrl(url,
- getMethod.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) {
- // 发生网络异常
- e.printStackTrace();
- } finally {
- // 释放连接
- getMethod.releaseConnection();
- }
- return filePath;
- }
- }
3、定义HtmlParserTool类,用来获得网页中的超链接(包括a标签,frame中的src等等),即为了得到子节点的URL。需要引入htmlparser.jar
- package webspider;
- 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 {
- // 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 属性所表示的链接
- NodeFilter frameFilter = new NodeFilter() {
- public boolean accept(Node node) {
- if (node.getText().startsWith("frame src=")) {
- return true;
- } else {
- return false;
- }
- }
- };
- // OrFilter 来设置过滤 <a> 标签,和 <frame> 标签
- OrFilter linkFilter = new OrFilter(new NodeClassFilter(
- LinkTag.class), frameFilter);
- // 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);
- if (tag instanceof LinkTag)// <a> 标签
- {
- LinkTag link = (LinkTag) tag;
- String linkUrl = link.getLink();// url
- if (filter.accept(linkUrl))
- links.add(linkUrl);
- } else// <frame> 标签
- {
- // 提取 frame 里 src 属性的链接如 <frame src="test.html"/>
- String frame = tag.getText();
- 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;
- }
- }
- package webspider;
- import java.util.Set;
- public class MyCrawler {
- /**
- * 使用种子初始化 URL 队列
- *
- * @return
- * @param seeds
- * 种子URL
- */
- private void initCrawlerWithSeeds(String[] seeds) {
- for (int i = 0; i < seeds.length; i++)
- LinkQueue.addUnvisitedUrl(seeds[i]);
- }
- /**
- * 抓取过程
- *
- * @return
- * @param seeds
- */
- public void crawling(String[] seeds) { // 定义过滤器,提取以http://www.lietu.com开头的链接
- LinkFilter filter = new LinkFilter() {
- public boolean accept(String url) {
- if (url.startsWith("http://www.baidu.com"))
- return true;
- else
- return false;
- }
- };
- // 初始化 URL 队列
- initCrawlerWithSeeds(seeds);
- // 循环条件:待抓取的链接不空且抓取的网页不多于1000
- while (!LinkQueue.unVisitedUrlsEmpty()
- && LinkQueue.getVisitedUrlNum() <= 1000) {
- // 队头URL出队列
- String visitUrl = (String) LinkQueue.unVisitedUrlDeQueue();
- if (visitUrl == null)
- continue;
- DownLoadFile downLoader = new DownLoadFile();
- // 下载网页
- downLoader.downloadFile(visitUrl);
- // 该 url 放入到已访问的 URL 中
- LinkQueue.addVisitedUrl(visitUrl);
- // 提取出下载网页中的 URL
- Set<String> links = HtmlParserTool.extracLinks(visitUrl, filter);
- // 新的未访问的 URL 入队
- for (String link : links) {
- LinkQueue.addUnvisitedUrl(link);
- }
- }
- }
- // main 方法入口
- public static void main(String[] args) {
- MyCrawler crawler = new MyCrawler();
- crawler.crawling(new String[] { "http://www.baidu.com" });
- }
- }
至此,可以看到f:\spider文件夹下面已经出现了很多html文件,都是关于百度的,以“www.baidu.com”为开头。