【转】泰然处之，网络爬虫程序实例

最近跟朋友开始研究搜索引擎的实现，下面是朋友参照jobo改的一个给予java的spider

ps：里面的英文可以略过了，这家伙英语水平实在是烂= =

      Sosoo 1.0网络爬虫程序
---用户开发手册
编写人：王建华（rimen/jerry）
编写目的：基于sosoo定制web spider程序的编程人员。
                             目录
 

一：安装sosoo 2
二：功能定制 2
1．基本功能参数的设置。 2
2．配置机器人对url的检查 3
3：实现文件管理。 4
4．定制html文档下载规则。 4
5．设置对下载后http文档的过滤处理 5
6．启用机器人运行期监控。 5
7．启用对http协议分析的监控。 5
三：sosoo描述 6
四：应用开发指南 6
1．Roboter类，spider程序的主类。 6
2．TaskList接口，解决对处理任务的存储。 7
3．Http客户端实现。 7
4．实现网页存储或处理 7
5．实现运行期的监控 8
五．程序例子 9
六．参考依赖 10
 

一：安装sosoo
sosoo提供的是一个sosoo-core.jar包，其中并没有提供可运行的程序入口。如果要使用可以通过src中的examples进行体验。开发者可以基于在这上开发出基于UI,j2ee等spider程序
 把sosoo-core包加入到你应用的classpath中。
 Sosoo 提供一个线程类的来代表一个机器人com.sosoo.robot.spider. Roboter。
 通过一个测试类
   public static void main(String[] args)
    throws Exception
   {
    Roboter robby = new Roboter();
robby.setStartURL(new URL("http://10.25.101.173:7001/pa18Web/framework/images/framevork_04.gif"));
    robby.setMaxDepth(0);   //设置最大连接访问深度
    robby.setSleepTime(0);
robby.setWalkToOtherHosts(true);
robby.run();      //启动
}
 这样就启动了一个spider程序,sosoo将根据你对javaBean参数的设置进行对网络上html
的抓取.
 停止机器人.
robot.stopRobot();
二：功能定制
Sosoo利用回调的方式实现了aop，用户可以通过回调的方式注入javaBean对象，以实现其外部功能
1．基本功能参数的设置。
基本功能指： roboter的原生类型参数（或String），例如：startURL，maxDepth等。

设置开始处理的url【startURL】：必须参数，roboter会根据这个地址开始在网络上进行查找。
robby.setStartURL(URL url)；

设置从开始路径能找的最大深度【maxDepth】：程序会判断当前处理的链接深度是否超过最大链接深度，如果超过这个链接将忽略，当然你可以通过设置depthIsEffect来屏蔽这个功能。默认值为1。
robby.setMaxDepth(0);

设置处理文档的时间间隔【sleepTime】：当处理完一个url时，设置这个间隔时间处理下一个url。单位为s，默认值为60，推荐使用5s。
robby.setSleepTime(0);
 
    设置http连接超时时间：在连接服务器时，可能由于网络或者本身服务的原因，可
能会出现超时的情况，通过设置超时时间来限制对某个url连接的最大时间，这样就可以提高处理的速度，但是如果这个值设置太小，可能很多连接都会连接不到，建议使用大于30的值，默认为60s。
robby.setUrlConnectTimeOut(30);

停止robby线程【stopIt】：你可以通过对robby对象进行操作来停止当前的线程。
robby.stopRobot();

暂停robby线程【sleep】：可以对当前运行的robby线程进行暂停。
robby.setSleep(true);
2．配置机器人对url的检查
  sosoo spider会根据用户的设置把收集到url列表中过滤掉不符合条件的url。
  过滤的顺序：walkToOtherHosts-allowWholeHost-flexibleHostCheck-
allowWholeDomain-用户提供url列表。

设置是否访问其他的主机【walkToOtherHosts】：如果你需要进行整个互联网的搜索，而不限于你开始提供的url中的主机，把这个参数设置为true。默认为false。

robby.setWalkToOtherHosts(true);

设置是否访问本主机【allowWholeHost】：如果你只想要对开始url代表的主机进行访问，你可以通过设置这个参数进行过滤url。
robby.setAllowWholeHost(true);

设置非www开始的主机【flexibleHostCheck】：当你提供的开始url，不是以www开头，你可以通过设置flexibleHostCheck参数来达到访问本主机的目的。
robby.setFlexibleHostCheck(true);

设置是否访问本域【allowWholeDomain】：如果你只想要对开始url代表的域进行访问，你可以通过设置下面这个参数进行过滤url。
robby.setAllowWholeDomain(true);

设置要访问的url列表【allowedURLs】：这是一个Vector类型的变量，用户可以把这些url放在配置文件中，用户可以在运行时提供这个变量。
robby.setAllowedURLs(allowed)；

定制url检查规则【URLCheck】：用户除了通过上面的规则进行url过滤，用户还可以通过实现urlCheck接口来进行url检测。系统已经提供了RegExpURLCheck实现。提供对properties文件的支持。
robby.setURLCheck(check);

设置是否要找网站跟目录下的/robot.txt文件【ignoreRobotsTxt】：用户可以通过设置这个值来忽略网站提供对robot的支持。默认为false
robby.setIgnoreRobotsTxt(true);

设置url可以重复访问【visitMany】：系统提供了一个访问过的列表缓存，当spider程序发现这个url已经访问过，他将不进行这个url的处理。可以通过这个参数来定制可以重复访问的url列表，这是一个Vector类型。
robby.setVisitMany(visitMany);

设置spider客户端的【proxy】：spider可以通过代理连接internate，但是目前只支持匿名的代理服务器。
robby.setProxy("10.16.111.5:80");
3：实现文件管理。
Spider程序下载url对应的html文档的时候，系统提供一个回调接口HttpDocManager。你可以通过的持接口的实现，把spider获得html数据进行存储，例如你可以把这些文件以文本流存入数据库，存入文件系统等。系统提供了HttpDocToFile实现，把下载的文件存入文件系统。你可以在启动spider程序的时候通过robby.setDocManager(dm);进行注入管理对象。
4．定制html文档下载规则。
  当你对各种html文件的格式处理有要求的时候，例如你觉得下载exe,rar文件比较
  慢的时候，你可以通过自己的需求定制下载规则。通过实现HttpDownloadCheck
接口可以设定下载的规则。
DownloadRuleSet rules=new DownloadRuleSet("downrules.properties");
robby.setDownloadRuleSet(rules);

系统已经提供了DownloadRuleSet实现，这个是想通过classpath properties来定义下载规则.
文件的内容：
# the file must contain two field,allow[deny] and MIME Type/sub type
# allow stand for if the doc match the conditions,will down the file
# deny stand for if the doc match the conditions,will not down the file
# < size ,express the doc content byte size is smaller than the value
# > size ,express the doc contact byte size is larger than the value
# can't hold out the >= or <=
# the scope of size is optional.
allow image/gif  <100000 >10000000
deny image/gif  <100000 >10000000
当然你可以自定义自己的实现，只要实现HttpDownloadCheck的boolean
downloadAllowed(Vector httpHeaders) ;方法。
注意：如果这个文档没有下载，这个文档中的连接将不能进行处理，所以一般不建
议过滤掉text/html.

5．设置对下载后http文档的过滤处理
  下载文档后，用户可以对这个doc对象进行一系列的处理。Spider提供了一个
FilterChain类。用户可以把自己过滤器加入FilterChain中。
你可以实现DocumentFilter接口定制自己的功能，系统实现提供了一个LinkLocalizer实现，用于替换相对连接。
    FilterChain filters=new FilterChain();
    DocumentFilter filter=new LinkLocalizer();
    filters.add(filter);
    robby.setFilters(filters);
6．启用机器人运行期监控。
当启动spider程序后，程序利用回调接口提供给用户运行期的状态。例如你要要显示机器人对应的处理过的任务，处理中的任务，处理是的状态。通过实现RobotCallback接口来实现，当然你也可以直接取roboter对象的属性来监控。
系统提供RobotMonitor实现，用户打印在cosole上运行期的状态。

RobotCallback monitor=new Monitor();
robby.setWebRobotCallback(monitor);

7．启用对http协议分析的监控。
  Spdier循环处理缓存中未处理的url，对于每个url的处理，系统提供一些监控方
法。当然你只要实现HttpToolCallback接口。系统提供了SystemOutHttpToolCallback实现。
HttpToolCallback toolMonitor=new SystemOutHttpToolCallback();
robby.setHttpToolCallback(toolMonitor);
三：sosoo描述
 Sosoo是参考jobo提供的核心算法。利用对访问的历史记录存储来替换spider的递归算
法。在处理的效率上有不错的体验，但是它也是牺牲存储为代价的。在程序启动是，系
统将建立两个Vector数组对访问url进行记录。因此sosoo并不使用于大数据量信息抓取，但是对于行业网站，中小企业绝对足够。

目前sosoo提供的处理功能：
支持跨域跨主机的访问
支持多种文件格式的下载
支持对html中连接的递归处理
支持http1.1协议但不支持1.0
支持匿名代理(http)，但不知道需要验证代理。

待扩展的功能：
提供全功能http协议处理
提供javasript的支持
提供表单from的处理支持
提供对ftp协议的支持
提供全方位的代理（http,sock等）支持。
完善系统监控功能
加强对html文档的信息处理能力
提供各种文件类型的处理工具
提供对rss的支持

四：应用开发指南
 sosoo提供很强的编程扩展,很容易把他集成到你的j2ee项目中。在中小型搜索引擎中，
特别对某一些特定的行业网站的数据进行分析时，Sosoo提供方便和安全的解决方案。
通过上述对功能的定制，我们可以看到在应用中我们对sosoo的编程接口并不多，而且目前系统都是基于set的方式注入aop注入对象，这样很容易和spring等基于set方式的依赖注入（IOC）框架集成。
1．Roboter类，spider程序的主类。
当你需要把sosoo应用到你的应用中时，roboter提供一个基于线程的工具类。它体可在程序中启动，暂停，退出一个spdier程序。这个类有sosoo提供，并不支持扩展，它标识spider的主体。它是整个spider程序所有功能的入口，包括回调功能，都是通过set方式注入到roboter中。
com.sosoo.robot.spider.Roboter
例如你要启动一个spider线程：

    Roboter robby = new Roboter();
robby.setStartURL(new URL("http://10.25.101.173:7001/pa18Web/framework/images/framevork_04.gif"));
    robby.setMaxDepth(0);   //设置最大连接访问深度
    robby.setSleepTime(0);
robby.setWalkToOtherHosts(true);
robby.run();      //启动
2．TaskList接口，解决对处理任务的存储。
对于sosoo而言，每个url对于一个任务。系统已经提供其默认的实现，你可以根据自己的需求实现这个接口。然后在启动spdier的时候用register方法进行注册。
  robby .registerVisitedList(new HashedMemoryTaskList(false));
  robby .registerToDoList(new HashedMemoryTaskList());
  com.sosoo.robot.spider.TaskList
  主要解决是对com.sosoo.robot.spider.RobotTask对象的存储。和常用的操作方
法，例如删除，
添加，查找等。具体参见@JAVADOC
3．Http客户端实现。
目前对sosoo1.0客户端而言，主要的用途就是提供模拟浏览器进行对http文档的获取。同时把他转换为HttpDoc对象。同时对http请求资源的管理，例如cookie管理。
Sosoo主要是通过com.sosoo.robot.http.HttpTool工具类来提供此工能。你也可以自己定制更优化的处理方案替换，同样通过register方法进行注册。由于重载这个工具需要对http协议有深刻的连接，一般不建议替换系统的实现。
Robby.RegisterHttpParser(new HttpTool);
4．实现网页存储或处理
当spider程序下载完以后，spider会用docManager管理其和filter来处理html文档和其内容。
HttpDocManager接口主要用来对HttpDoc对象的管理，例如把它存储在文件系统，或存入数据库等。系统提供了实现HttpDocToFile用来把HttpDoc对象存放在在文件系统中。
FilterChain主要用来进行httpDoc内容的一系列过滤功能。例如你主要取其中的某些信息。或者替换其中某些内容。它是实现了一个数组存储，你可以根据自己的需求加入多个实现DocumentFilter接口的对象，系统提供了一个实现LinkLocalizer，用来替换其中的相对连接。

系统先进行filter处理，然后在进行HttpDocManager

具体编程参考@javadoc

5．实现运行期的监控
Sosoo提供了两个监控的接口。用户可以实现这写接口的某些或全部方法，达到载
运行期内某些状态的监控。
Spider监控：com.sosoo.robot.spider.RobotCallback
主要提供文档的处理，spider的睡眠，spider当前任务的监控。
  void webRobotRetrievedDoc(String url, int size);
 //实现对获取url对应的HttpDoc对象的监控
  void webRobotUpdateQueueStatus(int length);
 //实现当前处理任务的监控
  void webRobotDone();
 //处理完成
  void webRobotSleeping(boolean sleeping);
 //spider暂停
http分析监控：com.sosoo.robot.http.HttpToolCallback
/**
   * After initiating a download, this method will be called to
   * inform about the URL that will be retrieved
   *  @param URL url that will be retrieved now
   */
  void setHttpToolDocUrl(String url);
 
  /**
   * After HttpTool got a Content-Length header
   * this method will be called to inform about the size of
   * the document to retrieve
   * @param size document size in
   */
  void setHttpToolDocSize(int size);
 

  /**
   * after a block of bytes was read (default after every 1024 bytes,
   * this method will be called
   * @param size the number of bytes that where retrieved
   */
  void setHttpToolDocCurrentSize(int size);

  /**
   * informs about the current status of the HttpTool
   * @param status an integer describing the current status
   * constants defined in HttpTool
   * @see HttpTool
   */
  void setHttpToolStatus(int status);
系统提供了SystemOutHttpToolCallback默认实现。
五．程序例子
package com.sosoo.robot.examples;

/*********************************************
    Copyright (c) 2005 by rimen sosoo
*********************************************/

import java.net.URL;

import com.sosoo.robot.http.DownloadRuleSet;
import com.sosoo.robot.http.HttpDocManager;
import com.sosoo.robot.http.HttpDocToBean;
import com.sosoo.robot.http.HttpToolCallback;
import com.sosoo.robot.http.SystemOutHttpToolCallback;
import com.sosoo.robot.spider.RobotCallback;
import com.sosoo.robot.spider.RobotMonitor;
import com.sosoo.robot.spider.Roboter;
import com.sosoo.robot.spider.docfilter.DocumentFilter;
import com.sosoo.robot.spider.docfilter.FilterChain;
import com.sosoo.robot.spider.docfilter.LinkLocalizer;

/**
 * This example program downloads a web page. It does not
 * store the documents but only logs the visited URLs.
 *
 * @author jerry[wangjianhua] sosoo
 * @version $Revision: 1.1 $
 */
public class SpiderMain {

  public static void main(String[] args)
    throws Exception
  {
    System.out.println("URLs will be logged to urls.txt/n/n");

    Roboter robby =new Roboter();
    System.out.println(robby);
    robby.setStartURL(new URL("http://www.sina.com.cn/"));
    robby.setMaxDepth(0);
    robby.setDepthIsEffect(true);
    robby.setSleepTime(0);
    robby.setIgnoreRobotsTxt(true);  
    robby.setWalkToOtherHosts(true);
   

   
    FilterChain filters=new FilterChain();
    DocumentFilter filter=new LinkLocalizer();
    filters.add(filter);
    //html流过滤器
   
    DownloadRuleSet rules=new DownloadRuleSet("downrules.properties");
    HttpDocManager dm = new HttpDocToBean();
    //进行文档管理，可以存放在数据库也可以存放在本地。
   
    RobotCallback monitor=new RobotMonitor();
    HttpToolCallback toolMonitor=new SystemOutHttpToolCallback();
   
    robby.setDocManager(dm);   
    robby.setDownloadRuleSet(rules);
    robby.setFilters(filters);
    robby.setWebRobotCallback(monitor);
    robby.setHttpToolCallback(toolMonitor);
  
    robby.run(); //启动

  }
}
 
六．参考依赖
 Jobo spider实现
 Tidy html解析器
 Log4j日志记录器
 Apach 提供的正值表达式操作器

    王建华Mail:  [email protected]
    王建华Blog:  http://jerry_blog.blogcn.com