简易Java爬虫制作

一、文章来由

本来最近任务挺多，但是今天想放松一下，正巧Bill喜欢玩英语配音，而配音都是在配音软件的云上，我想把那些都拿到，于是就写一了一个爬虫，接着就有了这篇爬虫教程~~

二、爬虫！！爬虫！！

首先要搞清什么叫爬虫~~

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

当然Java本身应该不算是脚本语言（一个脚本通常是解释运行而非编译，Java是不是解释型语言现在还存在争议），但是做这么高级的事情，确实有点像脚本。

那为什么叫简易爬虫呢，因为是直接用 BufferedReader 读 URL 中的 HTML ，然后用正则表达式去匹配是不是我要的网页。这种简易爬虫，只能用在页面没有特殊限制或者反爬虫机制的地方，如果页面有登陆验证或者是异步等反爬虫，通过这个URL 是不可能一次拿到真实地址的（一般会错误被导到另外一个页面）

通常，爬虫需要一个种子页面，是一个源 URL 地址，通过这个一层层爬下去

Bill 以前用过 httpclient 的 jar 包做过稍微复杂一点的爬虫，这个 jar 包可以把 HTML 用自己的数据结构存起来，形成一棵树结构（HTML 本身就是一种树结构的标记语言），然后提供各种过滤方法，可以找到你要的特定信息。

当然还有各种爬虫框架、模拟用户输入的包，可以完成更高难度的操作，绕过诸如淘宝这类有反爬虫技术的网站，这个大家有兴趣再去研究。

三、虫子制作过程

我提供了源码下载（当然是免金币的~~），所以，在文章中就不复制所有源代码了，只把关键代码、主要思想和关键函数讲一讲。

爬下静态网页的代码，可以很明显看到，只是直接用 BufferedReader 获取 URL 中的 HTML，而这些基本的函数和类，在Java标准类库中都有，不用额外导包。

爬虫的种子地址当然是 bill 希望去爬的趣配音web页面地址，我希望得到这些web页面里面，是我配音的、真实MP4地址~~

代码中我是用 url = “http://video.qupeiyin.cn/index.php?m=home&c=show&a=share&id=4102907“; 开始爬的~~

而且爬虫通常必须用多线程，不用多线程，想想有400w+个页面，一分钟按500个页面算，都要（4000000/500/60）=133个小时，hold不住的~~

// 爬下静态网页
    public String getOneHtml(String htmlurl) throws IOException {
        URL url;
        String temp;
        StringBuffer sb = new StringBuffer();
        try {
            url = new URL(htmlurl);
            BufferedReader in = new BufferedReader(new InputStreamReader(url.openStream(), "utf-8"));// 读取网页全部内容
            while ((temp = in.readLine()) != null) {
                sb.append(temp);
            }
            in.close();
        } catch (MalformedURLException me) {
            System.out.println("你输入的URL格式有问题！请仔细输入");
            me.getMessage();
            throw me;
        } catch (IOException e) {
            e.printStackTrace();
            throw e;
        }

        // System.out.println(sb.toString()); //成功爬下了静态网页
        return sb.toString();
    }

下面的代码是，通配符匹配的代码：

// 通过通配符匹配
    public String getInfo(String s) {
        String regex;
        String res = "";

        // 通配符
        regex = "This is bill";
        Pattern pa = Pattern.compile(regex, Pattern.CANON_EQ);
        Matcher ma = pa.matcher(s);

        if (ma.find()) {
            // 成功找到

            regex = "http://cdn.qupeiyin.cn/.*?/.*?.mp4";
            pa = Pattern.compile(regex, Pattern.CANON_EQ);
            ma = pa.matcher(s);

            if (ma.find())
                res += (ma.group());

            return res;
        }

        else
            return null;

    }

关于多线程共享，这里要粘贴一段test的代码：

///模拟售票的程序，三个线程共享一个ticket
package robot;

public class Bill implements Runnable {

    public Bill() {

    }

    public Bill(String name) {
        this.name = name;
    }

    private int ticket = 10;

    @Override
    public void run() {
        for (int i = 0; i < 5; i++) {
            if (ticket > 0) {
                System.out.println(Thread.currentThread().getName() + "--" + this.ticket--);
            }
        }
    }

    public static void main(String[] args) {
        Bill B3 = new Bill();
        new Thread(B3, "线程1").start();
        new Thread(B3, "线程2").start();
        new Thread(B3, "线程3").start();
    }

    private String name;

}

这是一个可能的结果：

我在代码中把，爬到的有用地址写到了txt里面。具体追加过程见附录。

关于多线程，Java提供了不止一种方法，可能你会说，其实继承 Thread 类，跟实现 Runnable 接口差不多，因为 其实Thread中的run方法调用的是Runnable接口的run方法而已。但是他们还是有相当多的不一样，详情可以参考这篇文章，写的不错，但是！！

这篇文章里面也有不少错误，具体需要我们自己仔细分辨！！毕竟自己搞懂的才是真正自己的，如果要看，可以结合评论一起看~~

也差不多就这样了，主要还是读源码，理解，做实验~~

四、小结

要对写出爬虫有信心，其实没那么难~~~好了，2小时就耍完了这个，Bill可以安心去写项目了~bye

源代码下载地址（2.0版）：http://download.csdn.net/detail/scythe666/8973453

之前有另一版，因为是用线程共享写的，出现了线程冲突，输出了很多个一模一样的地址，所以有了上面的第二版改版 http://download.csdn.net/detail/scythe666/8973067

五、附：

Java追加文件内容的三种方法

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileOutputStream;
import java.io.FileWriter;
import java.io.IOException;
import java.io.OutputStreamWriter;
import java.io.RandomAccessFile;

public class AppendFile {

    public static void method1(String file, String conent) {   
        BufferedWriter out = null;   
        try {   
            out = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(file, true)));   
            out.write(conent);   
        } catch (Exception e) {   
            e.printStackTrace();   
        } finally {   
            try {   
                if(out != null){
                    out.close();   
                }
            } catch (IOException e) {   
                e.printStackTrace();   
            }   
        }   
    }   

    /** * 追加文件：使用FileWriter * * @param fileName * @param content */  
    public static void method2(String fileName, String content) { 
        FileWriter writer = null;
        try {   
            // 打开一个写文件器，构造函数中的第二个参数true表示以追加形式写文件 
            writer = new FileWriter(fileName, true);   
            writer.write(content);     
        } catch (IOException e) {   
            e.printStackTrace();   
        } finally {   
            try {   
                if(writer != null){
                    writer.close();   
                }
            } catch (IOException e) {   
                e.printStackTrace();   
            }   
        } 
    }   

    /** * 追加文件：使用RandomAccessFile * * @param fileName 文件名 * @param content 追加的内容 */  
    public static void method3(String fileName, String content) { 
        RandomAccessFile randomFile = null;
        try {   
            // 打开一个随机访问文件流，按读写方式 
            randomFile = new RandomAccessFile(fileName, "rw");   
            // 文件长度，字节数 
            long fileLength = randomFile.length();   
            // 将写文件指针移到文件尾。 
            randomFile.seek(fileLength);   
            randomFile.writeBytes(content);    
        } catch (IOException e) {   
            e.printStackTrace();   
        } finally{
            if(randomFile != null){
                try {
                    randomFile.close();
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }
    }  

    public static void main(String[] args) {
        try{
            File file = new File("d://text.txt");
            if(file.createNewFile()){
                System.out.println("Create file successed");
            }
            method1("d://text.txt", "123");
            method2("d://text.txt", "123");
            method3("d://text.txt", "123");
        }catch(Exception e){
            System.out.println(e);
        }
    }
}

—END—

参考文献

[1] http://www.cnblogs.com/rollenholt/archive/2011/08/28/2156357.html

[2] http://blog.csdn.net/liangoo7/article/details/7882773

[3] http://blog.csdn.net/malik76/article/details/6408726