【已测试】Java+MySQL实现网络爬虫程序

文章来源：http://johnhany.net/2013/11/web-crawler-using-java-and-mysql/#imageclose-413

代码下载网址：https://github.com/johnhany/WPCrawler

发布于 2013年11月30日  作者： John Hany 6,777次阅读

        网络爬虫，也叫网络蜘蛛，有的项目也把它称作“walker”。维基百科所给的定义是“一种系统地扫描互联网，以获取索引为目的的网络程序”。网络上有很多关于网络爬虫的开源项目，其中比较有名的是Heritrix和Apache Nutch。

        有时需要在网上搜集信息，如果需要搜集的是获取方法单一而人工搜集费时费力的信息，比如统计一个网站每个月发了多少篇文章、用了哪些标签，为自然语言处理项目搜集语料，或者为模式识别项目搜集图片等等，就需要爬虫程序来完成这样的任务。而且搜索引擎必不可少的组件之一也是网络爬虫。

        很多网络爬虫都是用Python，Java或C#实现的。我这里给出的是Java版本的爬虫程序。为了节省时间和空间，我把程序限制在只扫描本博客地址下的网页（也就是http://johnhan.net/但不包括http://johnhany.net/wp-content/下的内容），并从网址中统计出所用的所有标签。只要稍作修改，去掉代码里的限制条件就能作为扫描整个网络的程序使用。或者对输出格式稍作修改，可以作为生成博客sitemap的工具。

        代码也可以在这里下载：johnhany/WPCrawler。

---

环境需求

        我的开发环境是Windows7 + Eclipse。

        需要XAMPP提供通过url访问MySQL数据库的端口。

        还要用到三个开源的Java类库：

        Apache HttpComponents 4.3 提供HTTP接口，用来向目标网址提交HTTP请求，以获取网页的内容；

        HTML Parser 2.0 用来解析网页，从DOM节点中提取网址链接；

        MySQL Connector/J 5.1.27 连接Java程序和MySQL，然后就可以用Java代码操作数据库。

---

代码

        代码位于三个文件中，分别是：crawler.java，httpGet.java和parsePage.java。包名为net.johnhany.wpcrawler。

crawler.java

package net.johnhany.wpcrawler;

import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.ResultSet;
import java.sql.SQLException;
import java.sql.Statement;

public class crawler {

    public static void main(String args[]) throws Exception {
        String frontpage = "http://johnhany.net/" ;
        Connection conn = null ;

        //connect the MySQL database
        try {
            Class.forName( "com.mysql.jdbc.Driver" );
            String dburl = "jdbc:mysql://localhost:3306?useUnicode=true&characterEncoding=utf8" ;
            conn = DriverManager.getConnection(dburl, "root" , "" );
            System.out.println( "connection built" );
        } catch (SQLException e) {
            e.printStackTrace();
        } catch (ClassNotFoundException e) {
            e.printStackTrace();
        }

        String sql = null ;
        String url = frontpage;
        Statement stmt = null ;
        ResultSet rs = null ;
        int count = 0 ;

        if (conn != null ) {
            //create database and table that will be needed
            try {
                sql = "CREATE DATABASE IF NOT EXISTS crawler" ;
                stmt = conn.createStatement();
                stmt.executeUpdate(sql);

                sql = "USE crawler" ;
                stmt = conn.createStatement();
                stmt.executeUpdate(sql);

                sql = "create table if not exists record (recordID int(5) not null auto_increment, URL text not null, crawled tinyint(1) not null, primary key (recordID)) engine=InnoDB DEFAULT CHARSET=utf8" ;
                stmt = conn.createStatement();
                stmt.executeUpdate(sql);

                sql = "create table if not exists tags (tagnum int(4) not null auto_increment, tagname text not null, primary key (tagnum)) engine=InnoDB DEFAULT CHARSET=utf8" ;
                stmt = conn.createStatement();
                stmt.executeUpdate(sql);
            } catch (SQLException e) {
                e.printStackTrace();
            }

            //crawl every link in the database
            while ( true ) {
                //get page content of link "url"
                httpGet.getByString(url,conn);
                count++;

                //set boolean value "crawled" to true after crawling this page
                sql = "UPDATE record SET crawled = 1 WHERE URL = '" + url + "'" ;
                stmt = conn.createStatement();

                if (stmt.executeUpdate(sql) > 0 ) {
                    //get the next page that has not been crawled yet
                    sql = "SELECT * FROM record WHERE crawled = 0" ;
                    stmt = conn.createStatement();
                    rs = stmt.executeQuery(sql);
                    if (rs.next()) {
                        url = rs.getString( 2 );
                    } else {
                        //stop crawling if reach the bottom of the list
                        break ;
                    }

                    //set a limit of crawling count
                    if (count > 1000 || url == null ) {
                        break ;
                    }
                }
            }
            conn.close();
            conn = null ;

            System.out.println( "Done." );
            System.out.println(count);
        }
    }
}

httpGet.java

package net.johnhany.wpcrawler;

import java.io.IOException;
import java.sql.Connection;

import org.apache.http.HttpEntity;
import org.apache.http.HttpResponse;
import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.ResponseHandler;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;

public class httpGet {

    public final static void getByString(String url, Connection conn) throws Exception {
        CloseableHttpClient httpclient = HttpClients.createDefault();

        try {
            HttpGet httpget = new HttpGet(url);
            System.out.println( "executing request " + httpget.getURI());

            ResponseHandler responseHandler = new ResponseHandler() {

                public String handleResponse(
                        final HttpResponse response) throws ClientProtocolException, IOException {
                    int status = response.getStatusLine().getStatusCode();
                    if (status >= 200 && status < 300 ) {
                        HttpEntity entity = response.getEntity();
                        return entity != null ? EntityUtils.toString(entity) : null ;
                    } else {
                        throw new ClientProtocolException( "Unexpected response status: " + status);
                    }
                }
            };
            String responseBody = httpclient.execute(httpget, responseHandler);
            /*
            //print the content of the page
            System.out.println("----------------------------------------");
            System.out.println(responseBody);
            System.out.println("----------------------------------------");
            */
            parsePage.parseFromString(responseBody,conn);

        } finally {
            httpclient.close();
        }
    }
}

parsePage.java

package net.johnhany.wpcrawler;

import java.sql.Connection;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
import java.sql.SQLException;
import java.sql.Statement;

import org.htmlparser.Node;
import org.htmlparser.Parser;
import org.htmlparser.filters.HasAttributeFilter;
import org.htmlparser.tags.LinkTag;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;

import java.net.URLDecoder;

public class parsePage {

    public static void parseFromString(String content, Connection conn) throws Exception {
        Parser parser = new Parser(content);
        HasAttributeFilter filter = new HasAttributeFilter( "href" );

        try {
            NodeList list = parser.parse(filter);
            int count = list.size();

            //process every link on this page
            for ( int i= 0 ; i
                Node node = list.elementAt(i);

                if (node instanceof LinkTag) {
                    LinkTag link = (LinkTag) node;
                    String nextlink = link.extractLink();
                    String mainurl = "http://johnhany.net/" ;
                    String wpurl = mainurl + "wp-content/" ;

                    //only save page from "http://johnhany.net"
                    if (nextlink.startsWith(mainurl)) {
                        String sql = null ;
                        ResultSet rs = null ;
                        PreparedStatement pstmt = null ;
                        Statement stmt = null ;
                        String tag = null ;

                        //do not save any page from "wp-content"
                        if (nextlink.startsWith(wpurl)) {
                            continue ;
                        }

                        try {
                            //check if the link already exists in the database
                            sql = "SELECT * FROM record WHERE URL = '" + nextlink + "'" ;
                            stmt = conn.createStatement(ResultSet.TYPE_FORWARD_ONLY,ResultSet.CONCUR_UPDATABLE);
                            rs = stmt.executeQuery(sql);

                            if (rs.next()) {

                            } else {
                                //if the link does not exist in the database, insert it
                                sql = "INSERT INTO record (URL, crawled) VALUES ('" + nextlink + "',0)" ;
                                pstmt = conn.prepareStatement(sql, Statement.RETURN_GENERATED_KEYS);
                                pstmt.execute();
                                System.out.println(nextlink);

                                //use substring for better comparison performance
                                nextlink = nextlink.substring(mainurl.length());
                                //System.out.println(nextlink);

                                if (nextlink.startsWith( "tag/" )) {
                                    tag = nextlink.substring( 4 , nextlink.length()- 1 );
                                    //decode in UTF-8 for Chinese characters
                                    tag = URLDecoder.decode(tag, "UTF-8" );
                                    sql = "INSERT INTO tags (tagname) VALUES ('" + tag + "')" ;
                                    pstmt = conn.prepareStatement(sql, Statement.RETURN_GENERATED_KEYS);
                                    //if the links are different from each other, the tags must be different
                                    //so there is no need to check if the tag already exists
                                    pstmt.execute();
                                }
                            }
                        } catch (SQLException e) {
                            //handle the exceptions
                            System.out.println( "SQLException: " + e.getMessage());
                            System.out.println( "SQLState: " + e.getSQLState());
                            System.out.println( "VendorError: " + e.getErrorCode());
                        } finally {
                            //close and release the resources of PreparedStatement, ResultSet and Statement
                            if (pstmt != null ) {
                                try {
                                    pstmt.close();
                                } catch (SQLException e2) {}
                            }
                            pstmt = null ;

                            if (rs != null ) {
                                try {
                                    rs.close();
                                } catch (SQLException e1) {}
                            }
                            rs = null ;

                            if (stmt != null ) {
                                try {
                                    stmt.close();
                                } catch (SQLException e3) {}
                            }
                            stmt = null ;
                        }

                    }
                }
            }
        } catch (ParserException e) {
            e.printStackTrace();
        }
    }
}

---

程序原理

        所谓“互联网”，是网状结构，任意两个节点间都有可能存在路径。爬虫程序对互联网的扫描，在图论角度来讲，就是对有向图的遍历（链接是从一个网页指向另一个网页，所以是有向的）。常见的遍历方法有深度优先和广度优先两种。相关理论知识可以参考树的遍历：这里和这里。我的程序采用的是广度优先方式。

        程序从crawler.java的main()开始运行。

Class.forName( "com.mysql.jdbc.Driver" );
String dburl = "jdbc:mysql://localhost:3306?useUnicode=true&characterEncoding=utf8" ;
conn = DriverManager.getConnection(dburl, "root" , "" );
System.out.println( "connection built" );

        首先，调用DriverManager连接MySQL服务。这里使用的是XAMPP的默认MySQL端口3306，端口值可以在XAMPP主界面看到：

        Apache和MySQL都启动之后，在浏览器地址栏输入“http://localhost/phpmyadmin/”就可以看到数据库了。等程序运行完之后可以在这里检查一下运行是否正确。

 

sql = "CREATE DATABASE IF NOT EXISTS crawler" ;
stmt = conn.createStatement();
stmt.executeUpdate(sql);

sql = "USE crawler" ;
stmt = conn.createStatement();
stmt.executeUpdate(sql);

sql = "create table if not exists record (recordID int(5) not null auto_increment, URL text not null, crawled tinyint(1) not null, primary key (recordID)) engine=InnoDB DEFAULT CHARSET=utf8" ;
stmt = conn.createStatement();
stmt.executeUpdate(sql);

sql = "create table if not exists tags (tagnum int(4) not null auto_increment, tagname text not null, primary key (tagnum)) engine=InnoDB DEFAULT CHARSET=utf8" ;
stmt = conn.createStatement();
stmt.executeUpdate(sql);

        连接好数据库后，建立一个名为“crawler”的数据库，在库里建两个表，一个叫“record”，包含字段“recordID”，“URL”和“crawled”，分别记录地址编号、链接地址和地址是否被扫描过；另一个叫“tags”，包含字段“tagnum”和“tagname”，分别记录标签编号和标签名。

 

while ( true ) {
    httpGet.getByString(url,conn);
    count++;

    sql = "UPDATE record SET crawled = 1 WHERE URL = '" + url + "'" ;
    stmt = conn.createStatement();

    if (stmt.executeUpdate(sql) > 0 ) {
        sql = "SELECT * FROM record WHERE crawled = 0" ;
        stmt = conn.createStatement();
        rs = stmt.executeQuery(sql);
        if (rs.next()) {
            url = rs.getString( 2 );
        } else {
            break ;
        }
    }
}

        接着在一个while循环内依次处理表record内的每个地址。每次处理时，把地址url传递给httpGet.getByString()，然后在表record中把crawled改为true，表明这个地址已经处理过。然后寻找下一个crawled为false的地址，继续处理，直到处理到表尾。

        这里需要注意的细节是，执行executeQuery()后，得到了一个ResultSet结构rs，rs包含SQL查询返回的所有行和一个指针，指针指向结果中第一行之前的位置，需要执行一次rs.next()才能让rs的指针指向第一个结果，同时返回true，之后每次执行rs.next()都会把指针移到下一个结果上并返回true，直至再也没有结果时，rs.next()的返回值变成了false。

        还有一个细节，在执行建库建表、INSERT、UPDATE时，需要用executeUpdate()；在执行SELECT时，需要使用executeQuery()。executeQuery()总是返回一个ResultSet，executeUpdate()返回符合查询的行数。

 

        httpGet.java的getByString()类负责向所给的网址发送请求，然后下载网页内容。

HttpGet httpget = new HttpGet(url);
System.out.println( "executing request " + httpget.getURI());

ResponseHandler responseHandler = new ResponseHandler() {
    public String handleResponse(
            final HttpResponse response) throws ClientProtocolException, IOException {
        int status = response.getStatusLine().getStatusCode();
        if (status >= 200 && status < 300 ) {
            HttpEntity entity = response.getEntity();
            return entity != null ? EntityUtils.toString(entity) : null ;
        } else {
            throw new ClientProtocolException( "Unexpected response status: " + status);
        }
    }
};
String responseBody = httpclient.execute(httpget, responseHandler);

        这段代码是HTTPComponents的HTTP Client组件中给出的样例，在很多情况下可以直接使用。这部分代码获得了一个字符串responseBody，里面保存着网页中的全部字符。

        接着，就需要把responseBody传递给parsePage.java的parseFromString类提取链接。

Parser parser = new Parser(content);
HasAttributeFilter filter = new HasAttributeFilter( "href" );

try {
    NodeList list = parser.parse(filter);
    int count = list.size();

    //process every link on this page
    for ( int i= 0 ; i
        Node node = list.elementAt(i);
        if (node instanceof LinkTag) {

        在HTML文件中，链接一般都在a标签的href属性中，所以需要创建一个属性过滤器。NodeList保存着这个HTML文件中的所有DOM节点，通过在for循环中依次处理每个节点寻找符合要求的标签，可以把网页中的所有链接提取出来。

        然后通过nextlink.startsWith()进一步筛选，只处理以“http://johnhany.net/”开头的链接并跳过以“http://johnhany.net/wp-content/”开头的链接。

sql = "SELECT * FROM record WHERE URL = '" + nextlink + "'" ;
stmt = conn.createStatement(ResultSet.TYPE_FORWARD_ONLY,ResultSet.CONCUR_UPDATABLE);
rs = stmt.executeQuery(sql);

if (rs.next()) {

} else {
    //if the link does not exist in the database, insert it
    sql = "INSERT INTO record (URL, crawled) VALUES ('" + nextlink + "',0)" ;
    pstmt = conn.prepareStatement(sql, Statement.RETURN_GENERATED_KEYS);
    pstmt.execute();

        在表record中查找是否已经存在这个链接，如果存在（rs.next()==true），不做任何处理；如果不存在（rs.next()==false），在表中插入这个地址并把crawled置为false。因为之前recordID设为AUTO_INCREMENT，所以要用 Statement.RETURN_GENERATED_KEYS获取适当的编号。

nextlink = nextlink.substring(mainurl.length());

if (nextlink.startsWith( "tag/" )) {
    tag = nextlink.substring( 4 , nextlink.length()- 1 );
    tag = URLDecoder.decode(tag, "UTF-8" );