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：

 1 import java.io.FileOutputStream;
 2 import java.io.InputStream;
 3 import java.io.OutputStream;
 4 import org.apache.commons.httpclient.HttpClient;
 5 import org.apache.commons.httpclient.HttpStatus;
 6 import org.apache.commons.httpclient.methods.GetMethod;
 7 /**
 8  *
 9  * @author CallMeWhy
10  *
11  */
12 public class Spider {
13  private static HttpClient httpClient = new HttpClient();
14  /**
15   * @param path
16   *            目标网页的链接
17   * @return 返回布尔值，表示是否正常下载目标页面
18   * @throws Exception
19   *             读取网页流或写入本地文件流的IO异常
20   */
21  public static boolean downloadPage(String path) throws Exception {
22   // 定义输入输出流
23   InputStream input = null;
24   OutputStream output = null;
25   // 得到 post 方法
26   GetMethod getMethod = new GetMethod(path);
27   // 执行，返回状态码
28   int statusCode = httpClient.executeMethod(getMethod);
29   // 针对状态码进行处理
30   // 简单起见，只处理返回值为 200 的状态码
31   if (statusCode == HttpStatus.SC_OK) {
32    input = getMethod.getResponseBodyAsStream();
33    // 通过对URL的得到文件名
34    String filename = path.substring(path.lastIndexOf(‘/‘) + 1)
35      + ".html";
36    // 获得文件输出流
37    output = new FileOutputStream(filename);
38    // 输出到文件
39    int tempByte = -1;
40    while ((tempByte = input.read()) > 0) {
41     output.write(tempByte);
42    }
43    // 关闭输入流
44    if (input != null) {
45     input.close();
46    }
47    // 关闭输出流
48    if (output != null) {
49     output.close();
50    }
51    return true;
52   }
53   return false;
54  }
55  public static void main(String[] args) {
56   try {
57    // 抓取百度首页，输出
58    Spider.downloadPage("<a target=_blank href="http://www.baidu.com">http://www.baidu.com</a>");
59   } catch (Exception e) {
60    e.printStackTrace();
61   }
62  }
63 }

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：

 1 import java.util.LinkedList;
 2 /**
 3  * 自定义队列类 保存TODO表
 4  */
 5 public class Queue {
 6  /**
 7   * 定义一个队列，使用LinkedList实现
 8   */
 9  private LinkedList<Object> queue = new LinkedList<Object>(); // 入队列
10  /**
11   * 将t加入到队列中
12   */
13  public void enQueue(Object t) {
14   queue.addLast(t);
15  }
16  /**
17   * 移除队列中的第一项并将其返回
18   */
19  public Object deQueue() {
20   return queue.removeFirst();
21  }
22  /**
23   * 返回队列是否为空
24   */
25  public boolean isQueueEmpty() {
26   return queue.isEmpty();
27  }
28  /**
29   * 判断并返回队列是否包含t
30   */
31  public boolean contians(Object t) {
32   return queue.contains(t);
33  }
34  /**
35   * 判断并返回队列是否为空
36   */
37  public boolean empty() {
38   return queue.isEmpty();
39  }
40 }

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：

 1 import java.util.HashSet;
 2 import java.util.Set;
 3 /**
 4  * 自定义类 保存Visited表和unVisited表
 5  */
 6 public class SpiderQueue {
 7  /**
 8   * 已访问的url集合，即Visited表
 9   */
10  private static Set<Object> visitedUrl = new HashSet<>();
11  /**
12   * 添加到访问过的 URL 队列中
13   */
14  public static void addVisitedUrl(String url) {
15   visitedUrl.add(url);
16  }
17  /**
18   * 移除访问过的 URL
19   */
20  public static void removeVisitedUrl(String url) {
21   visitedUrl.remove(url);
22  }
23  /**
24   * 获得已经访问的 URL 数目
25   */
26  public static int getVisitedUrlNum() {
27   return visitedUrl.size();
28  }
29  /**
30   * 待访问的url集合，即unVisited表
31   */
32  private static Queue unVisitedUrl = new Queue();
33  /**
34   * 获得UnVisited队列
35   */
36  public static Queue getUnVisitedUrl() {
37   return unVisitedUrl;
38  }
39  /**
40   * 未访问的unVisitedUrl出队列
41   */
42  public static Object unVisitedUrlDeQueue() {
43   return unVisitedUrl.deQueue();
44  }
45  /**
46   * 保证添加url到unVisitedUrl的时候每个 URL只被访问一次
47   */
48  public static void addUnvisitedUrl(String url) {
49   if (url != null && !url.trim().equals("") && !visitedUrl.contains(url)
50     && !unVisitedUrl.contians(url))
51    unVisitedUrl.enQueue(url);
52  }
53  /**
54   * 判断未访问的 URL队列中是否为空
55   */
56  public static boolean unVisitedUrlsEmpty() {
57   return unVisitedUrl.empty();
58  }
59 }

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：

 1 package controller;
 2 import java.io.*;
 3 import org.apache.commons.httpclient.*;
 4 import org.apache.commons.httpclient.methods.*;
 5 import org.apache.commons.httpclient.params.*;
 6 public class DownTool {
 7  /**
 8   * 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
 9   */
10  private String getFileNameByUrl(String url, String contentType) {
11   // 移除 "http://" 这七个字符
12   url = url.substring(7);
13   // 确认抓取到的页面为 text/html 类型
14   if (contentType.indexOf("html") != -1) {
15    // 把所有的url中的特殊符号转化成下划线
16    url = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html";
17   } else {
18    url = url.replaceAll("[\\?/:*|<>\"]", "_") + "."
19      + contentType.substring(contentType.lastIndexOf("/") + 1);
20   }
21   return url;
22  }
23  /**
24   * 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
25   */
26  private void saveToLocal(byte[] data, String filePath) {
27   try {
28    DataOutputStream out = new DataOutputStream(new FileOutputStream(
29      new File(filePath)));
30    for (int i = 0; i < data.length; i++)
31     out.write(data[i]);
32    out.flush();
33    out.close();
34   } catch (IOException e) {
35    e.printStackTrace();
36   }
37  }
38  // 下载 URL 指向的网页
39  public String downloadFile(String url) {
40   String filePath = null;
41   // 1.生成 HttpClinet对象并设置参数
42   HttpClient httpClient = new HttpClient();
43   // 设置 HTTP连接超时 5s
44   httpClient.getHttpConnectionManager().getParams()
45     .setConnectionTimeout(5000);
46   // 2.生成 GetMethod对象并设置参数
47   GetMethod getMethod = new GetMethod(url);
48   // 设置 get请求超时 5s
49   getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000);
50   // 设置请求重试处理
51   getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,
52     new DefaultHttpMethodRetryHandler());
53   // 3.执行GET请求
54   try {
55    int statusCode = httpClient.executeMethod(getMethod);
56    // 判断访问的状态码
57    if (statusCode != HttpStatus.SC_OK) {
58     System.err.println("Method failed: "
59       + getMethod.getStatusLine());
60     filePath = null;
61    }
62    // 4.处理 HTTP 响应内容
63    byte[] responseBody = getMethod.getResponseBody();// 读取为字节数组
64    // 根据网页 url 生成保存时的文件名
65    filePath = "temp\\"
66      + getFileNameByUrl(url,
67        getMethod.getResponseHeader("Content-Type")
68          .getValue());
69    saveToLocal(responseBody, filePath);
70   } catch (HttpException e) {
71    // 发生致命的异常，可能是协议不对或者返回的内容有问题
72    System.out.println("请检查你的http地址是否正确");
73    e.printStackTrace();
74   } catch (IOException e) {
75    // 发生网络异常
76    e.printStackTrace();
77   } finally {
78    // 释放连接
79    getMethod.releaseConnection();
80   }
81   return filePath;
82  }
83 }

在这里我们需要一个HtmlParserTool类来处理Html标记：

 1 package controller;
 2 import java.util.HashSet;
 3 import java.util.Set;
 4 import org.htmlparser.Node;
 5 import org.htmlparser.NodeFilter;
 6 import org.htmlparser.Parser;
 7 import org.htmlparser.filters.NodeClassFilter;
 8 import org.htmlparser.filters.OrFilter;
 9 import org.htmlparser.tags.LinkTag;
10 import org.htmlparser.util.NodeList;
11 import org.htmlparser.util.ParserException;
12 import model.LinkFilter;
13 public class HtmlParserTool {
14  // 获取一个网站上的链接，filter 用来过滤链接
15  public static Set<String> extracLinks(String url, LinkFilter filter) {
16   Set<String> links = new HashSet<String>();
17   try {
18    Parser parser = new Parser(url);
19    parser.setEncoding("gb2312");
20    // 过滤 <frame >标签的 filter，用来提取 frame 标签里的 src 属性
21    NodeFilter frameFilter = new NodeFilter() {
22     private static final long serialVersionUID = 1L;
23     @Override
24     public boolean accept(Node node) {
25      if (node.getText().startsWith("frame src=")) {
26       return true;
27      } else {
28       return false;
29      }
30     }
31    };
32    // OrFilter 来设置过滤 <a> 标签和 <frame> 标签
33    OrFilter linkFilter = new OrFilter(new NodeClassFilter(
34      LinkTag.class), frameFilter);
35    // 得到所有经过过滤的标签
36    NodeList list = parser.extractAllNodesThatMatch(linkFilter);
37    for (int i = 0; i < list.size(); i++) {
38     Node tag = list.elementAt(i);
39     if (tag instanceof LinkTag)// <a> 标签
40     {
41      LinkTag link = (LinkTag) tag;
42      String linkUrl = link.getLink();// URL
43      if (filter.accept(linkUrl))
44       links.add(linkUrl);
45     } else// <frame> 标签
46     {
47      // 提取 frame 里 src 属性的链接， 如 <frame src="test.html"/>
48      String frame = tag.getText();
49      int start = frame.indexOf("src=");
50      frame = frame.substring(start);
51      int end = frame.indexOf(" ");
52      if (end == -1)
53       end = frame.indexOf(">");
54      String frameUrl = frame.substring(5, end - 1);
55      if (filter.accept(frameUrl))
56       links.add(frameUrl);
57     }
58    }
59   } catch (ParserException e) {
60    e.printStackTrace();
61   }
62   return links;
63  }
64 }

最后我们来写个爬虫类调用前面的封装类和函数：

 1 package controller;
 2 import java.util.Set;
 3 import model.LinkFilter;
 4 import model.SpiderQueue;
 5 public class BfsSpider {
 6  /**
 7   * 使用种子初始化URL队列
 8   */
 9  private void initCrawlerWithSeeds(String[] seeds) {
10   for (int i = 0; i < seeds.length; i++)
11    SpiderQueue.addUnvisitedUrl(seeds[i]);
12  }
13  // 定义过滤器，提取以 <a target=_blank href="http://www.xxxx.com">http://www.xxxx.com</a>开头的链接
14  public void crawling(String[] seeds) {
15   LinkFilter filter = new LinkFilter() {
16    public boolean accept(String url) {
17     if (url.startsWith("<a target=_blank href="http://www.baidu.com">http://www.baidu.com</a>"))
18      return true;
19     else
20      return false;
21    }
22   };
23   // 初始化 URL 队列
24   initCrawlerWithSeeds(seeds);
25   // 循环条件：待抓取的链接不空且抓取的网页不多于 1000
26   while (!SpiderQueue.unVisitedUrlsEmpty()
27     && SpiderQueue.getVisitedUrlNum() <= 1000) {
28    // 队头 URL 出队列
29    String visitUrl = (String) SpiderQueue.unVisitedUrlDeQueue();
30    if (visitUrl == null)
31     continue;
32    DownTool downLoader = new DownTool();
33    // 下载网页
34    downLoader.downloadFile(visitUrl);
35    // 该 URL 放入已访问的 URL 中
36    SpiderQueue.addVisitedUrl(visitUrl);
37    // 提取出下载网页中的 URL
38    Set<String> links = HtmlParserTool.extracLinks(visitUrl, filter);
39    // 新的未访问的 URL 入队
40    for (String link : links) {
41     SpiderQueue.addUnvisitedUrl(link);
42    }
43   }
44  }
45  // main 方法入口
46  public static void main(String[] args) {
47   BfsSpider crawler = new BfsSpider();
48   crawler.crawling(new String[] { "<a target=_blank href="http://www.baidu.com">http://www.baidu.com</a>" });
49  }
50 }

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

时间： 2024-10-11 23:12:34

零基础写Java知乎爬虫之进阶篇

零基础写Java知乎爬虫之进阶篇的相关文章

零基础写python爬虫之urllib2使用指南

【JAVA学习笔记】-零基础学习JAVA人分享自己的心得（转）

音乐出身的妹纸，零基础学习JAVA靠谱么

JAVA学习_零基础学习JAVA方法_零基础学习JAVA思路

IDEA + maven 零基础构建 java agent 项目

五本书籍助你从零基础学习java编程到精通之路

零基础学习java：变量（一）

www808888webcom零基础学Java怎么开始？199O883661学习哪些内容？

总结了零基础学习Java编程语言的几个基础知识要点