教你若何編寫簡略的收集爬蟲

1、收集爬蟲的根本常識

收集爬蟲經由過程遍歷互聯收集，把收集中的相干網頁全體抓取過去，這表現了爬的概念。爬蟲若何遍歷收集呢，互聯網可以看作是一張年夜圖，每一個頁面看作個中的一個節點，頁面的銜接看作是有向邊。圖的遍歷方法分為寬度遍歷和深度遍歷，然則深度遍歷能夠會在深度上過深的遍歷或許墮入黑洞。所以，年夜多半爬蟲不采取這類情勢。另外一方面，爬蟲在依照寬度優先遍歷的方法時刻，會給待遍歷的網頁付與必定優先級，這類叫做帶偏好的遍歷。

現實的爬蟲是從一系列的種子鏈接開端。種子鏈接是肇端節點，種子頁面的超鏈接指向的頁面是子節點（中央節點），關於非html文檔，如excel等，不克不及從中提取超鏈接，看作圖的終端節點。全部遍歷進程中保護一張visited表，記載哪些節點（鏈接）曾經處置過了，跳過不作處置。

應用寬度優先搜刮戰略，重要緣由有：

a、主要的網頁普通離種子比擬近，例如我們翻開的消息網站時刻，常常是最熱點的消息，跟著深刻沖浪，網頁的主要性愈來愈低。

b、萬維網現實深度最多達17層，但達到某個網頁總存在一條很短途徑，而寬度優先遍歷可以最快的速度找到這個網頁

c、寬度優先有益於多爬蟲協作抓取。

2、收集爬蟲的簡略完成

1、界說已拜訪隊列，待拜訪隊列和爬獲得URL的哈希表，包含出隊列，入隊列，斷定隊列能否空等操作

package webspider;
import java.util.HashSet;
import java.util.PriorityQueue;
import java.util.Set;
import java.util.Queue;

public class LinkQueue {
 // 已拜訪的 url 聚集
 private static Set visitedUrl = new HashSet();
 // 待拜訪的 url 聚集
 private static Queue unVisitedUrl = new PriorityQueue();

 // 取得URL隊列
 public static Queue getUnVisitedUrl() {
  return unVisitedUrl;
 }

 // 添加到拜訪過的URL隊列中
 public static void addVisitedUrl(String url) {
  visitedUrl.add(url);
 }

 // 移除拜訪過的URL
 public static void removeVisitedUrl(String url) {
  visitedUrl.remove(url);
 }

 // 未拜訪的URL出隊列
 public static Object unVisitedUrlDeQueue() {
  return unVisitedUrl.poll();
 }

 // 包管每一個 url 只被拜訪一次
 public static void addUnvisitedUrl(String url) {
  if (url != null && !url.trim().equals("") && !visitedUrl.contains(url)
    && !unVisitedUrl.contains(url))
   unVisitedUrl.add(url);
 }

 // 取得曾經拜訪的URL數量
 public static int getVisitedUrlNum() {
  return visitedUrl.size();
 }

 // 斷定未拜訪的URL隊列中能否為空
 public static boolean unVisitedUrlsEmpty() {
  return unVisitedUrl.isEmpty();
 }

}

2、界說DownLoadFile類，依據獲得的url，爬取網頁內容，下載到當地保留。此處須要援用commons-httpclient.jar，commons-codec.jar，commons-logging.jar。

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 {
 /**
  * 依據 url 和網頁類型生成須要保留的網頁的文件名 去除失落 url 中非文件名字符
  */
 public String getFileNameByUrl(String url, String contentType) {
  // remove http://
  url = url.substring(7);
  // text/html類型
  if (contentType.indexOf("html") != -1) {
   url = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html";
   return url;
  }
  // 如application/pdf類型
  else {
   return url.replaceAll("[\\?/:*|<>\"]", "_") + "."
     + contentType.substring(contentType.lastIndexOf("/") + 1);
  }
 }

 /**
  * 保留網頁字節數組到當地文件 filePath 為要保留的文件的絕對地址
  */
 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();
  }
 }

 /* 下載 url 指向的網頁 */
 public String downloadFile(String url) {
  String filePath = null;
  /* 1.生成 HttpClinet 對象並設置參數 */
  HttpClient httpClient = new HttpClient();
  // 設置 Http 銜接超時 5s
  httpClient.getHttpConnectionManager().getParams()
    .setConnectionTimeout(5000);

  /* 2.生成 GetMethod 對象並設置參數 */
  GetMethod getMethod = new GetMethod(url);
  // 設置 get 要求超時 5s
  getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000);
  // 設置要求重試處置
  getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,
    new DefaultHttpMethodRetryHandler());

  /* 3.履行 HTTP GET 要求 */
  try {
   int statusCode = httpClient.executeMethod(getMethod);
   // 斷定拜訪的狀況碼
   if (statusCode != HttpStatus.SC_OK) {
    System.err.println("Method failed: "
      + getMethod.getStatusLine());
    filePath = null;
   }

   /* 4.處置 HTTP 呼應內容 */
   byte[] responseBody = getMethod.getResponseBody();// 讀取為字節數組
   // 依據網頁 url 生成保留時的文件名
   filePath = "f:\\spider\\"
     + getFileNameByUrl(url,
       getMethod.getResponseHeader("Content-Type")
         .getValue());
   saveToLocal(responseBody, filePath);
  } catch (HttpException e) {
   // 產生致命的異常，能夠是協定纰謬或許前往的內容有成績
   System.out.println("Please check your provided http address!");
   e.printStackTrace();
  } catch (IOException e) {
   // 產生收集異常
   e.printStackTrace();
  } finally {
   // 釋放銜接
   getMethod.releaseConnection();
  }
  return filePath;
 }
}

3、界說HtmlParserTool類，用來取得網頁中的超鏈接（包含a標簽，frame中的src等等），即為了獲得子節點的URL。須要引入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 {
 // 獲得一個網站上的鏈接,filter 用來過濾鏈接
 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");
   // 過濾 <frame >標簽的 filter，用來提取 frame 標簽裡的 src 屬性所表現的鏈接
   NodeFilter frameFilter = new NodeFilter() {
    public boolean accept(Node node) {
     if (node.getText().startsWith("frame src=")) {
      return true;
     } else {
      return false;
     }
    }
   };
   // OrFilter 來設置過濾 <a> 標簽，和 <frame> 標簽
   OrFilter linkFilter = new OrFilter(new NodeClassFilter(
     LinkTag.class), frameFilter);
   // 獲得一切經由過濾的標簽
   NodeList list = parser.extractAllNodesThatMatch(linkFilter);
   for (int i = 0; i < list.size(); i++) {
    Node tag = list.elementAt(i);
    if (tag instanceof LinkTag)// <a> 標簽
    {
     LinkTag link = (LinkTag) tag;
     String linkUrl = link.getLink();// url
     if (filter.accept(linkUrl))
      links.add(linkUrl);
    } else// <frame> 標簽
    {
     // 提取 frame 裡 src 屬性的鏈接如 <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;
 }
}

4、編寫測試類MyCrawler，用來測試爬取後果

package webspider;

import java.util.Set;

public class MyCrawler {
 /**
  * 應用種子初始化 URL 隊列
  *
  * @return
  * @param seeds
  *            種子URL
  */
 private void initCrawlerWithSeeds(String[] seeds) {
  for (int i = 0; i < seeds.length; i++)
   LinkQueue.addUnvisitedUrl(seeds[i]);
 }

 /**
  * 抓取進程
  *
  * @return
  * @param seeds
  */
 public void crawling(String[] seeds) { // 界說過濾器，提取以http://www.lietu.com開首的鏈接
  LinkFilter filter = new LinkFilter() {
   public boolean accept(String url) {
    if (url.startsWith("http://www.百度.com"))
     return true;
    else
     return false;
   }
  };
  // 初始化 URL 隊列
  initCrawlerWithSeeds(seeds);
  // 輪回前提：待抓取的鏈接不空且抓取的網頁不多於1000
  while (!LinkQueue.unVisitedUrlsEmpty()
    && LinkQueue.getVisitedUrlNum() <= 1000) {
   // 隊頭URL出隊列
   String visitUrl = (String) LinkQueue.unVisitedUrlDeQueue();
   if (visitUrl == null)
    continue;
   DownLoadFile downLoader = new DownLoadFile();
   // 下載網頁
   downLoader.downloadFile(visitUrl);
   // 該 url 放入到已拜訪的 URL 中
   LinkQueue.addVisitedUrl(visitUrl);
   // 提掏出下載網頁中的 URL
   Set<String> links = HtmlParserTool.extracLinks(visitUrl, filter);
   // 新的未拜訪的 URL 入隊
   for (String link : links) {
    LinkQueue.addUnvisitedUrl(link);
   }
  }
 }

 // main 辦法進口
 public static void main(String[] args) {
  MyCrawler crawler = new MyCrawler();
  crawler.crawling(new String[] { "http://www.百度.com" });
 }

}

至此，可以看到f:\spider文件夾上面曾經湧現了許多html文件，都是關於百度的，以“www.百度.com”為開首。