教你若何編寫簡略的收集爬蟲。本站提示廣大學習愛好者:(教你若何編寫簡略的收集爬蟲)文章只能為提供參考,不一定能成為您想要的結果。以下是教你若何編寫簡略的收集爬蟲正文
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。