Java+MySQL实现网络爬虫程序

网络爬虫，也叫网络蜘蛛，有的项目也把它称作“walker”。维基百科所给的定义是“一种系统地扫描互联网，以获取索引为目的的网络程序”。网络上有很多关于网络爬虫的开源项目，其中比较有名的是Heritrix和Apache Nutch。

        有时需要在网上搜集信息，如果需要搜集的是获取方法单一而人工搜集费时费力的信息，比如统计一个网站每个月发了多少篇文章、用了哪些标签，为自然语言处理项目搜集语料，或者为模式识别项目搜集图片等等，就需要爬虫程序来完成这样的任务。而且搜索引擎必不可少的组件之一也是网络爬虫。

        很多网络爬虫都是用Python，Java或C#实现的。我这里给出的是Java版本的爬虫程序。为了节省时间和空间，我把程序限制在只扫描本博客地址下的网页（也就是http://johnhan.net/但不包括http://johnhany.net/wp-content/下的内容），并从网址中统计出所用的所有标签。只要稍作修改，去掉代码里的限制条件就能作为扫描整个网络的程序使用。或者对输出格式稍作修改，可以作为生成博客sitemap的工具。

        代码也可以在这里下载：johnhany/WPCrawler。

---

环境需求

        我的开发环境是Windows7 + Eclipse。

        需要XAMPP提供通过url访问MySQL数据库的端口。

        还要用到三个开源的Java类库：

        Apache HttpComponents 4.3 提供HTTP接口，用来向目标网址提交HTTP请求，以获取网页的内容；

        HTML Parser 2.0 用来解析网页，从DOM节点中提取网址链接；

        MySQL Connector/J 5.1.27 连接Java程序和MySQL，然后就可以用Java代码操作数据库。

---

代码

        代码位于三个文件中，分别是：crawler.java，httpGet.java和parsePage.java。包名为net.johnhany.wpcrawler。

---

程序原理

        所谓“互联网”，是网状结构，任意两个节点间都有可能存在路径。爬虫程序对互联网的扫描，在图论角度来讲，就是对有向图的遍历（链接是从一个网页指向另一个网页，所以是有向的）。常见的遍历方法有深度优先和广度优先两种。相关理论知识可以参考树的遍历：这里和这里。我的程序采用的是广度优先方式。

        程序从crawler.java的main()开始运行。

1 2 3 4

Class . forName ( "com.mysql.jdbc.Driver" ) ; String dburl = "jdbc:mysql://localhost:3306?useUnicode=true&characterEncoding=utf8" ; conn = DriverManager . getConnection ( dburl , "root" , "" ) ; System . out . println ( "connection built" ) ;

        首先，调用DriverManager连接MySQL服务。这里使用的是XAMPP的默认MySQL端口3306，端口值可以在XAMPP主界面看到：

        Apache和MySQL都启动之后，在浏览器地址栏输入“http://localhost/phpmyadmin/”就可以看到数据库了。等程序运行完之后可以在这里检查一下运行是否正确。

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

sql = "CREATE DATABASE IF NOT EXISTS crawler" ; stmt = conn . createStatement ( ) ; stmt . executeUpdate ( sql ) ;   sql = "USE crawler" ; stmt = conn . createStatement ( ) ; stmt . executeUpdate ( sql ) ;   sql = "create table if not exists record (recordID int(5) not null auto_increment, URL text not null, crawled tinyint(1) not null, primary key (recordID)) engine=InnoDB DEFAULT CHARSET=utf8" ; stmt = conn . createStatement ( ) ; stmt . executeUpdate ( sql ) ;   sql = "create table if not exists tags (tagnum int(4) not null auto_increment, tagname text not null, primary key (tagnum)) engine=InnoDB DEFAULT CHARSET=utf8" ; stmt = conn . createStatement ( ) ; stmt . executeUpdate ( sql ) ;

        连接好数据库后，建立一个名为“crawler”的数据库，在库里建两个表，一个叫“record”，包含字段“recordID”，“URL”和“crawled”，分别记录地址编号、链接地址和地址是否被扫描过；另一个叫“tags”，包含字段“tagnum”和“tagname”，分别记录标签编号和标签名。

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

while ( true ) { httpGet . getByString ( url , conn ) ; count ++ ; sql = "UPDATE record SET crawled = 1 WHERE URL = '" + url + "'" ; stmt = conn . createStatement ( ) ; if ( stmt . executeUpdate ( sql ) > 0 ) { sql = "SELECT * FROM record WHERE crawled = 0" ; stmt = conn . createStatement ( ) ; rs = stmt . executeQuery ( sql ) ; if ( rs . next ( ) ) { url = rs . getString ( 2 ) ; } else { break ; } } }

        接着在一个while循环内依次处理表record内的每个地址。每次处理时，把地址url传递给httpGet.getByString()，然后在表record中把crawled改为true，表明这个地址已经处理过。然后寻找下一个crawled为false的地址，继续处理，直到处理到表尾。

        这里需要注意的细节是，执行executeQuery()后，得到了一个ResultSet结构rs，rs包含SQL查询返回的所有行和一个指针，指针指向结果中第一行之前的位置，需要执行一次rs.next()才能让rs的指针指向第一个结果，同时返回true，之后每次执行rs.next()都会把指针移到下一个结果上并返回true，直至再也没有结果时，rs.next()的返回值变成了false。

        还有一个细节，在执行建库建表、INSERT、UPDATE时，需要用executeUpdate()；在执行SELECT时，需要使用executeQuery()。executeQuery()总是返回一个ResultSet，executeUpdate()返回符合查询的行数。

        httpGet.java的getByString()类负责向所给的网址发送请求，然后下载网页内容。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

HttpGet httpget = new HttpGet ( url ) ; System . out . println ( "executing request " + httpget . getURI ( ) ) ;   ResponseHandler < String > responseHandler = new ResponseHandler < String > ( ) { public String handleResponse ( final HttpResponse response ) throws ClientProtocolException , IOException { int status = response . getStatusLine ( ) . getStatusCode ( ) ; if ( status >= 200 && status < 300 ) { HttpEntity entity = response . getEntity ( ) ; return entity != null ? EntityUtils . toString ( entity ) : null ; } else { throw new ClientProtocolException ( "Unexpected response status: " + status ) ; } } } ; String responseBody = httpclient . execute ( httpget , responseHandler ) ;

        这段代码是HTTPComponents的HTTP Client组件中给出的样例，在很多情况下可以直接使用。这部分代码获得了一个字符串responseBody，里面保存着网页中的全部字符。

        接着，就需要把responseBody传递给parsePage.java的parseFromString类提取链接。

1 2 3 4 5 6 7 8 9 10 11

Parser parser = new Parser ( content ) ; HasAttributeFilter filter = new HasAttributeFilter ( "href" ) ;   try { NodeList list = parser . parse ( filter ) ; int count = list . size ( ) ; //process every link on this page for ( int i = 0 ; i < count ; i ++ ) { Node node = list . elementAt ( i ) ; if ( node instanceof LinkTag ) {

        在HTML文件中，链接一般都在a标签的href属性中，所以需要创建一个属性过滤器。NodeList保存着这个HTML文件中的所有DOM节点，通过在for循环中依次处理每个节点寻找符合要求的标签，可以把网页中的所有链接提取出来。

        然后通过nextlink.startsWith()进一步筛选，只处理以“http://johnhany.net/”开头的链接并跳过以“http://johnhany.net/wp-content/”开头的链接。

1 2 3 4 5 6 7 8 9 10 11

sql = "SELECT * FROM record WHERE URL = '" + nextlink + "'" ; stmt = conn . createStatement ( ResultSet . TYPE_FORWARD_ONLY , ResultSet . CONCUR_UPDATABLE ) ; rs = stmt . executeQuery ( sql ) ;   if ( rs . next ( ) ) { } else { //if the link does not exist in the database, insert it sql = "INSERT INTO record (URL, crawled) VALUES ('" + nextlink + "',0)" ; pstmt = conn . prepareStatement ( sql , Statement . RETURN_GENERATED_KEYS ) ; pstmt . execute ( ) ;

        在表record中查找是否已经存在这个链接，如果存在（rs.next()==true），不做任何处理；如果不存在（rs.next()==false），在表中插入这个地址并把crawled置为false。因为之前recordID设为AUTO_INCREMENT，所以要用 Statement.RETURN_GENERATED_KEYS获取适当的编号。

1 2 3 4 5 6 7 8

nextlink = nextlink . substring ( mainurl . length ( ) ) ;   if ( nextlink . startsWith ( "tag/" ) ) { tag = nextlink . substring ( 4 , nextlink . length ( ) - 1 ) ; tag = URLDecoder . decode ( tag , "UTF-8" ) ; sql = "INSERT INTO tags (tagname) VALUES ('" + tag + "')" ; pstmt = conn . prepareStatement ( sql , Statement . RETURN_GENERATED_KEYS ) ; pstmt . execute ( ) ;

        去掉链接开头的“http://johnhany.net/”几个字符，提高字符比较的速度。如果含有“tag/”说明其后的字符是一个标签的名字，把这给名字提取出来，用UTF-8编码，保证汉字的正常显示，然后存入表tags。类似地还可以加入判断“article/”，“author/”，或“2013/11/”等对其他链接进行归类。

---

结果

这是两张数据库的截图，显示了程序的部分结果：

        在这里可以获得全部输出结果。可以与本博客的sitemap比较一下，看看如果想在其基础上实现sitemap生成工具，还要做哪些修改。

参照网址：http://johnhany.net/2013/11/web-crawler-using-java-and-mysql/