超小开源爬虫Crawler学习笔记

      近日，想写一个小型的爬虫框架，可惜的是，zero并没有写框架的经验。因此有必要找一个现有框架来参照下。GOOGLE了下，发现Crawler最适合作为将要写的框架的参照物。Crawler是一个简单的爬虫框架，它实现了爬虫的共同部分，如URL拼接，网页编码等，使得用户可以专注于提取网页内容（原文：Crawler is a simple Java web crawler/spider/joe or any other name you want to call it. The main goal is to abstract that boring and error-prone code from your codebase and let you focus on crawling the site. ）。阅读Crawler源码的过程中，发现有不少值得借鉴的地方，因此将其逐一记录下来。

1. URL的拼接(UrlUtils.java)

      从网页提取出来的URL(uniform resource locator)有可能是完整的，也有可能是相对的。但是在请求网页时，只能使用完整的URL。因此要将相对URL变为完整URL。在转换之前，最好先了解URL的语法：
scheme://domain:port/path?query_string#fragment_id
其中scheme指各种协议，如http, https, ftp等；domain指服务器的域名或者IP；port指端口号；path指文件所在目录；query_string是服务器上某个程序的输入数据；fragment_id指页面的某个位置，其功能是让用户打开某个网页时，自动定位到指定位置上。

     根据这个语法，可以得到的拼接步骤如下：
a. 根据各部分的特征（如scheme出现的情况下，一定是出现在最前面），将URL拆为scheme, domain, path, query_string, fragment_id这5个部分
b. 按照scheme, domain, path, query_string, fragment_id的顺序检查URL。如果缺少某部分就将其补上
c. 如果URL中出现"&"，则将其全部替换为"&"
d. 将URL编码为UTF-8，这是为了防止提取的URL含有中文。

2. 网页源码的编码的获取

      网页源码的编码探测一般有两种方式，一是分析网页源码中Meta信息，如contentType，来取得编码。另一种是使用统计学和启发式方法对网页源码进行探测。由于某些网页的contentType不包含编码信息，所以第一种方法不一定行得通，这时就要用第二种方式了。IBM的ICU4J库就实现了第二种方式，用法如下：

    /**
     * 得到网页所用编码
     * @param pageContent    网页的内容
     * @return                网页的编码方式
     */
    public static String GetPageCharset(byte[] pageContent){
           CharsetDetector detector = new CharsetDetector();
           detector.setText(pageContent);
           CharsetMatch match = detector.detect();
           return match.getName();            
    }

3. 杂项

    除了以上两个主要的方面，还有一些小方面，包括：

a. 使用httpclient前，先将cookie都设置进去

b. 处理网页前，先检测mime type是不是想要的

c. 使用org.apache.log4j.Logger记录运行中的各种信息，以备不时之需

d. 建立一个enum类，将http code的各种状态进行总结，如OK状态的code从200到299，redirection的状态从300到399

e. 当确定不会改变变量的值时，对其使用final关键字