零基础写Java知乎爬虫之进阶篇
投稿：hebedich 字体：[增加 减小] 类型：转载 时间：2014-11-07 我要评论
前面几篇文章，我们都是简单的实现了java爬虫抓取内容的问题，那么如果遇到复杂情况，我们还能继续那么做吗？答案当然是否定的，之前的仅仅是入门篇，都是些基础知识，给大家练手用的，本文我们就来点高大上的东西
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：
import java.io.FileOutputStream;import java.io.InputStream;import java.io.OutputStream;import org.apache.commons.httpclient.HttpClient;import org.apache.commons.httpclient.HttpStatus;import org.apache.commons.httpclient.methods.GetMethod;/** * * @author CallMeWhy * */public class Spider { private static HttpClient httpClient = new HttpClient(); /** * @param path * 目标网页的链接 * @return 返回布尔值，表示是否正常下载目标页面 * @throws Exception * 读取网页流或写入本地文件流的IO异常 */ public static boolean downloadPage(String path) throws Exception { // 定义输入输出流 InputStream input = null; OutputStream output = null; // 得到 post 方法 GetMethod getMethod = new GetMethod(path); // 执行，返回状态码 int statusCode = httpClient.executeMethod(getMethod); // 针对状态码进行处理 // 简单起见，只处理返回值为 200 的状态码 if (statusCode == HttpStatus.SC_OK) { input = getMethod.getResponseBodyAsStream(); // 通过对URL的得到文件名 String filename = path.substring(path.lastIndexOf('/') + 1) + ".html"; // 获得文件输出流 output = new FileOutputStream(filename); // 输出到文件 int tempByte = -1; while ((tempByte = input.read()) > 0) { output.write(tempByte); } // 关闭输入流 if (input != null) { input.close(); } // 关闭输出流 if (output != null) { output.close(); } return true; } return false; } public static void main(String[] args) { try { // 抓取百度首页，输出 Spider.downloadPage("http://www.baidu.com"); } catch (Exception e) { e.printStackTrace(); } }}
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：
import java.util.LinkedList;/** * 自定义队列类 保存TODO表 */public class Queue { /** * 定义一个队列，使用LinkedList实现 */ private LinkedList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：
import java.util.HashSet;import java.util.Set;/** * 自定义类 保存Visited表和unVisited表 */public class SpiderQueue { /** * 已访问的url集合，即Visited表 */ private static Set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：
package controller;import java.io.*;import org.apache.commons.httpclient.*;import org.apache.commons.httpclient.methods.*;import org.apache.commons.httpclient.params.*;public class DownTool { /** * 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 */ private String getFileNameByUrl(String url, String contentType) { // 移除 "http://" 这七个字符 url = url.substring(7); // 确认抓取到的页面为 text/html 类型 if (contentType.indexOf("html") != -1) { // 把所有的url中的特殊符号转化成下划线 url = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html"; } else { url = url.replaceAll("[\\?/:*|<>\"]", "_") + "." + contentType.substring(contentType.lastIndexOf("/") + 1); } return url; } /** * 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 */ 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(); } } // 下载 URL 指向的网页 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("请检查你的http地址是否正确"); e.printStackTrace(); } catch (IOException e) { // 发生网络异常 e.printStackTrace(); } finally { // 释放连接 getMethod.releaseConnection(); } return filePath; }}在这里我们需要一个HtmlParserTool类来处理Html标记：
package controller;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;import model.LinkFilter;public class HtmlParserTool { // 获取一个网站上的链接，filter 用来过滤链接 public static Set extracLinks(String url, LinkFilter filter) { Set links = new HashSet(); try { Parser parser = new Parser(url); parser.setEncoding("gb2312"); // 过滤 标签的 filter，用来提取 frame 标签里的 src 属性 NodeFilter frameFilter = new NodeFilter() { private static final long serialVersionUID = 1L; @Override public boolean accept(Node node) { if (node.getText().startsWith("frame src=")) { return true; } else { return false; } } }; // OrFilter 来设置过滤 标签和 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)// 标签 { LinkTag link = (LinkTag) tag; String linkUrl = link.getLink();// URL if (filter.accept(linkUrl)) links.add(linkUrl); } else// 标签 { // 提取 frame 里 src 属性的链接， 如 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; }} 最后我们来写个爬虫类调用前面的封装类和函数：
package controller;import java.util.Set;import model.LinkFilter;import model.SpiderQueue;public class BfsSpider { /** * 使用种子初始化URL队列 */ private void initCrawlerWithSeeds(String[] seeds) { for (int i = 0; i < seeds.length; i++) SpiderQueue.addUnvisitedUrl(seeds[i]); } // 定义过滤器，提取以 http://www.xxxx.com开头的链接 public void crawling(String[] seeds) { LinkFilter filter = new LinkFilter() { public boolean accept(String url) { if (url.startsWith("http://www.baidu.com")) return true; else return false; } }; // 初始化 URL 队列 initCrawlerWithSeeds(seeds); // 循环条件：待抓取的链接不空且抓取的网页不多于 1000 while (!SpiderQueue.unVisitedUrlsEmpty() && SpiderQueue.getVisitedUrlNum() <= 1000) { // 队头 URL 出队列 String visitUrl = (String) SpiderQueue.unVisitedUrlDeQueue(); if (visitUrl == null) continue; DownTool downLoader = new DownTool(); // 下载网页 downLoader.downloadFile(visitUrl); // 该 URL 放入已访问的 URL 中 SpiderQueue.addVisitedUrl(visitUrl); // 提取出下载网页中的 URL Set links = HtmlParserTool.extracLinks(visitUrl, filter); // 新的未访问的 URL 入队 for (String link : links) { SpiderQueue.addUnvisitedUrl(link); } } } // main 方法入口 public static void main(String[] args) { BfsSpider crawler = new BfsSpider(); crawler.crawling(new String[] { "http://www.baidu.com" }); }} 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
您可能感兴趣的文章:
- java实现爬取知乎用户基本信息
- 零基础写Java知乎爬虫之抓取知乎答案
- 零基础写Java知乎爬虫之获取知乎编辑推荐内容
- 零基础写Java知乎爬虫之先拿百度首页练练手
- 零基础写Java知乎爬虫之准备工作
- JavaWeb开发之模仿知乎首页完整代码
最新评论