零基础写Java知乎爬虫之进阶篇
说到爬虫，使用Java本身自带的URLConnection可以实现一些基本的抓取页面的功能，但是对于一些比较高级的功能，比如重定向的处理，HTML标记的去除，仅仅使用URLConnection还是不够的。
在这里我们可以使用HttpClient这个第三方jar包。
接下来我们使用HttpClient简单的写一个爬去百度的Demo：
import java.io.FileOutputStream; import java.io.InputStream; import java.io.OutputStream; import org.apache.commons.httpclient.HttpClient; import org.apache.commons.httpclient.HttpStatus; import org.apache.commons.httpclient.methods.GetMethod; /** * * @author CallMeWhy * */ public class Spider { private static HttpClient httpClient = new HttpClient(); /** * @param path * 目标网页的链接 * @return 返回布尔值，表示是否正常下载目标页面 * @throws Exception * 读取网页流或写入本地文件流的IO异常 */ public static boolean downloadPage(String path) throws Exception { // 定义输入输出流 InputStream input = null; OutputStream output = null; // 得到 post 方法 GetMethod getMethod = new GetMethod(path); // 执行，返回状态码 int statusCode = httpClient.executeMethod(getMethod); // 针对状态码进行处理 // 简单起见，只处理返回值为 200 的状态码 if (statusCode == HttpStatus.SC_OK) { input = getMethod.getResponseBodyAsStream(); // 通过对URL的得到文件名 String filename = path.substring(path.lastIndexOf('/') + 1) + ".html"; // 获得文件输出流 output = new FileOutputStream(filename); // 输出到文件 int tempByte = -1; while ((tempByte = input.read()) > 0) { output.write(tempByte); } // 关闭输入流 if (input != null) { input.close(); } // 关闭输出流 if (output != null) { output.close(); } return true; } return false; } public static void main(String[] args) { try { // 抓取百度首页，输出 Spider.downloadPage("http://www.baidu.com"); } catch (Exception e) { e.printStackTrace(); } } }
但是这样基本的爬虫是不能满足各色各样的爬虫需求的。
先来介绍宽度优先爬虫。
宽度优先相信大家都不陌生，简单说来可以这样理解宽度优先爬虫。
我们把互联网看作一张超级大的有向图，每一个网页上的链接都是一个有向边，每一个文件或没有链接的纯页面则是图中的终点：
宽度优先爬虫就是这样一个爬虫，爬走在这个有向图上，从根节点开始一层一层往外爬取新的节点的数据。
宽度遍历算法如下所示：
(1) 顶点 V 入队列。
(2) 当队列非空时继续执行，否则算法为空。
(3) 出队列，获得队头节点 V，访问顶点 V 并标记 V 已经被访问。
(4) 查找顶点 V 的第一个邻接顶点 col。
(5) 若 V 的邻接顶点 col 未被访问过，则 col 进队列。
(6) 继续查找 V 的其他邻接顶点 col，转到步骤(5)，若 V 的所有邻接顶点都已经被访问过，则转到步骤(2)。
按照宽度遍历算法，上图的遍历顺序为：A->B->C->D->E->F->H->G->I，这样一层一层的遍历下去。
而宽度优先爬虫其实爬取的是一系列的种子节点，和图的遍历基本相同。
我们可以把需要爬取页面的URL都放在一个TODO表中，将已经访问的页面放在一个Visited表中：
则宽度优先爬虫的基本流程如下：
(1) 把解析出的链接和 Visited 表中的链接进行比较，若 Visited 表中不存在此链接， 表示其未被访问过。
(2) 把链接放入 TODO 表中。
(3) 处理完毕后，从 TODO 表中取得一条链接，直接放入 Visited 表中。
(4) 针对这个链接所表示的网页，继续上述过程。如此循环往复。
下面我们就来一步一步制作一个宽度优先的爬虫。
首先，对于先设计一个数据结构用来存储TODO表， 考虑到需要先进先出所以采用队列，自定义一个Quere类：
import java.util.LinkedList; /** * 自定义队列类 保存TODO表 */ public class Queue { /** * 定义一个队列，使用LinkedList实现 */ private LinkedList<Object> queue = new LinkedList<Object>(); // 入队列 /** * 将t加入到队列中 */ public void enQueue(Object t) { queue.addLast(t); } /** * 移除队列中的第一项并将其返回 */ public Object deQueue() { return queue.removeFirst(); } /** * 返回队列是否为空 */ public boolean isQueueEmpty() { return queue.isEmpty(); } /** * 判断并返回队列是否包含t */ public boolean contians(Object t) { return queue.contains(t); } /** * 判断并返回队列是否为空 */ public boolean empty() { return queue.isEmpty(); } }
还需要一个数据结构来记录已经访问过的 URL，即Visited表。
考虑到这个表的作用，每当要访问一个 URL 的时候，首先在这个数据结构中进行查找，如果当前的 URL 已经存在，则丢弃这个URL任务。
这个数据结构需要不重复并且能快速查找，所以选择HashSet来存储。
综上，我们另建一个SpiderQueue类来保存Visited表和TODO表：
import java.util.HashSet; import java.util.Set; /** * 自定义类 保存Visited表和unVisited表 */ public class SpiderQueue { /** * 已访问的url集合，即Visited表 */ private static Set<Object> visitedUrl = new HashSet<>(); /** * 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); } /** * 获得已经访问的 URL 数目 */ public static int getVisitedUrlNum() { return visitedUrl.size(); } /** * 待访问的url集合，即unVisited表 */ private static Queue unVisitedUrl = new Queue(); /** * 获得UnVisited队列 */ public static Queue getUnVisitedUrl() { return unVisitedUrl; } /** * 未访问的unVisitedUrl出队列 */ public static Object unVisitedUrlDeQueue() { return unVisitedUrl.deQueue(); } /** * 保证添加url到unVisitedUrl的时候每个 URL只被访问一次 */ public static void addUnvisitedUrl(String url) { if (url != null && !url.trim().equals("") && !visitedUrl.contains(url) && !unVisitedUrl.contians(url)) unVisitedUrl.enQueue(url); } /** * 判断未访问的 URL队列中是否为空 */ public static boolean unVisitedUrlsEmpty() { return unVisitedUrl.empty(); } }
上面是一些自定义类的封装，接下来就是一个定义一个用来下载网页的工具类，我们将其定义为DownTool类：
package controller; import java.io.*; import org.apache.commons.httpclient.*; import org.apache.commons.httpclient.methods.*; import org.apache.commons.httpclient.params.*; public class DownTool { /** * 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 */ private String getFileNameByUrl(String url, String contentType) { // 移除 "http://" 这七个字符 url = url.substring(7); // 确认抓取到的页面为 text/html 类型 if (contentType.indexOf("html") != -1) { // 把所有的url中的特殊符号转化成下划线 url = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html"; } else { 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 = "temp\\" + 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("请检查你的http地址是否正确"); e.printStackTrace(); } catch (IOException e) { // 发生网络异常 e.printStackTrace(); } finally { // 释放连接 getMethod.releaseConnection(); } return filePath; } }
在这里我们需要一个HtmlParserTool类来处理Html标记：
package controller; 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; import model.LinkFilter; 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("gb2312"); // 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; } 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; } }
最后我们来写个爬虫类调用前面的封装类和函数：
package controller; import java.util.Set; import model.LinkFilter; import model.SpiderQueue; public class BfsSpider { /** * 使用种子初始化URL队列 */ private void initCrawlerWithSeeds(String[] seeds) { for (int i = 0; i < seeds.length; i++) SpiderQueue.addUnvisitedUrl(seeds[i]); } // 定义过滤器，提取以 http://www.xxxx.com开头的链接 public void crawling(String[] seeds) { 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 (!SpiderQueue.unVisitedUrlsEmpty() && SpiderQueue.getVisitedUrlNum() <= 1000) { // 队头 URL 出队列 String visitUrl = (String) SpiderQueue.unVisitedUrlDeQueue(); if (visitUrl == null) continue; DownTool downLoader = new DownTool(); // 下载网页 downLoader.downloadFile(visitUrl); // 该 URL 放入已访问的 URL 中 SpiderQueue.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) { SpiderQueue.addUnvisitedUrl(link); } } } // main 方法入口 public static void main(String[] args) { BfsSpider crawler = new BfsSpider(); crawler.crawling(new String[] { "http://www.baidu.com" }); } }
运行可以看到，爬虫已经把百度网页下所有的页面都抓取出来了：
以上就是java使用HttpClient工具包和宽度爬虫进行抓取内容的操作的全部内容，稍微复杂点，小伙伴们要仔细琢磨下哦，希望对大家能有所帮助
