标签：
之前写过很多单页面python爬虫，感觉python还是很好用的，这里用java总结一个多页面的爬虫，迭代爬取种子页面的所有链接的页面，全部保存在tmp路径下。
1 序言
实现这个爬虫需要两个数据结构支持，unvisited队列(priorityqueue：可以适用pagerank等算法计算出url重要度)和visited表（hashset：可以快速查找url是否存在）；队列用于实现宽度优先爬取，visited表用于记录爬取过的url，不再重复爬取，避免了环。java爬虫需要的工具包有httpclient和htmlparser1.5，可以在maven repo中查看具体版本的下载。
1目标网站：新浪 http://www.sina.com.cn/
2结果截图：
下面说说爬虫的实现，后期源码会上传到github中，需要的朋友可以留言：
1创建种子页面的url
MyCrawler crawler = new MyCrawler(); crawler.crawling(new String[]{"http://www.sina.com.cn/"});
2初始化unvisited表为上面的种子url
LinkQueue.addUnvisitedUrl(seeds[i]);
3最主要的逻辑实现部分：在队列中取出没有visit过的url，进行下载，然后加入visited的表，并解析改url页面上的其它url，把未读取的加入到unvisited队列；迭代到队列为空停止，所以这个url网络还是很庞大的。注意，这里的页面下载和页面解析需要java的工具包实现，下面具体说明下工具包的使用。
while(!LinkQueue.unVisitedUrlsEmpty()&&LinkQueue.getVisitedUrlNum()<=1000) { //队头URL出队列 String visitUrl=(String)LinkQueue.unVisitedUrlDeQueue(); if(visitUrl==null) continue; DownLoadFile downLoader=new DownLoadFile(); //下载网页 downLoader.downloadFile(visitUrl); //该 url 放入到已访问的 URL 中 LinkQueue.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) { LinkQueue.addUnvisitedUrl(link); } }
4下面html页面的download工具包
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 HTTP 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("Please check your provided http address!"); e.printStackTrace(); } catch (IOException e) { // 发生网络异常 e.printStackTrace(); } finally { // 释放连接 getMethod.releaseConnection(); } return filePath; }
5html页面的解析工具包：
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 属性所表示的链接 NodeFilter frameFilter = new NodeFilter() { 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; }
6未访问页面使用PriorityQueue带偏好的队列保存，主要是为了适用于pagerank等算法，有的url忠诚度更高一些；visited表采用hashset实现，注意可以快速查找是否存在；
public class LinkQueue { //已访问的 url 集合 private static Set visitedUrl = new HashSet(); //待访问的 url 集合 private static Queue unVisitedUrl = new PriorityQueue(); //获得URL队列 public static Queue getUnVisitedUrl() { return unVisitedUrl; } //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); } //未访问的URL出队列 public static Object unVisitedUrlDeQueue() { return unVisitedUrl.poll(); } // 保证每个 url 只被访问一次 public static void addUnvisitedUrl(String url) { if (url != null && !url.trim().equals("") && !visitedUrl.contains(url) && !unVisitedUrl.contains(url)) unVisitedUrl.add(url); } //获得已经访问的URL数目 public static int getVisitedUrlNum() { return visitedUrl.size(); } //判断未访问的URL队列中是否为空 public static boolean unVisitedUrlsEmpty() { return unVisitedUrl.isEmpty(); } }
标签：
原文地址：http://www.cnblogs.com/rongyux/p/5741365.html
