该程序需要提供一个种子（一个URl地址）作为其实页面，通过分析该页面，将页面上涉及到的url地址爬取到，从而理论上实现爬虫的原来。
先用一个图来说明该程序的工作流程
在这个程序中存在俩个数据结构，一个是一个队列，该队列存放的是带分析的url，称作UrlQueue.另外一个是一个hashset，该数据结构是存放已经访问过的url。一个url从urlQueue中出队，通过判断看看是否已经存在，若不存在则用htmlparser解析出该页面包含的地址，并且将这些子url进队，对该url的处理是将他存入文件系统利用httpclient完成。该程序需要httpClient和htmlparser相应的包
下面试两个数据结构的代码
package crawler.store; import java.util.LinkedList; /** * UrlQueue数据结构用来储存需要进行分析的Url * 该结构是一个队列 * @author Xinyuyu * */ class UrlQueue { private LinkedList<String> urlQueue = new LinkedList<String>(); // 进队 void inQueue(String url){ urlQueue.addLast(url); } // 出队 String outQueue(){ return urlQueue.removeFirst(); } // 判断是否队列是否为空 boolean queueIsEmpty(){ return urlQueue.isEmpty(); } // 返回队列的元素数 int queueNum(){ return urlQueue.size(); } // 判断队列是否包含某元素 public boolean contains(String url){ return urlQueue.contains(url); } }
package crawler.store; import java.util.HashSet; import java.util.Set; /** * UrlPool数据结构是用来存放已经访问过的url信息 * 该结构是一个HashSet * 一部分完成对自己的操作，一部分完成对UrlQueue的操作(判断是否已经存在，将没有访问过的入队) * @author Xinyuyu * */ public class UrlPool { private static Set<String> urlPool = new HashSet<String>(); private static UrlQueue urlQueue = new UrlQueue(); /* * 完成自身的操作 */ // 增加元素 public static UrlQueue getQueue(){ return urlQueue; } public static void addPool(String url){ urlPool.add(url); } // 删除元素 public static void removePool(String url){ urlPool.remove(url); } // 判断是否包含 public static boolean poolContains(String url){ return urlPool.contains(url); } // 返回元素个数 public static int poolNum(){ return urlPool.size(); } /* * 完成对UrlQueue的操作 */ //判断pool中是否包含url,不包含就入队 public static void inQueue(String url){ if(url != null && !url.trim().equals("") && !urlPool.contains(url)){ urlQueue.inQueue(url); } } // 完成出队 public static String outQueue(){ return urlQueue.outQueue(); } // 返回队列元素个数 public static int queueNum(){ return urlQueue.queueNum(); } // 判断urlQueue是否为空 public static boolean queueIsEmpty(){ return urlQueue.queueIsEmpty(); } // 判断队列中是否包含元素 public static boolean queueContains(String url){ return urlQueue.contains(url); } }
接着是一个下载网页的类，该类引用了httpclient包
package crawler.utill; import java.io.DataOutputStream; import java.io.File; import java.io.FileNotFoundException; import java.io.FileOutputStream; import java.io.IOException; import org.apache.commons.httpclient.DefaultHttpMethodRetryHandler; import org.apache.commons.httpclient.HttpClient; import org.apache.commons.httpclient.HttpException; import org.apache.commons.httpclient.HttpStatus; import org.apache.commons.httpclient.methods.GetMethod; import org.apache.commons.httpclient.params.HttpMethodParams; /** * 将没有访问过的url的内容存储到文件系统中去 * * @author Xinyuyu * */ public class DownloadFile { // 构造存储的文件名称（去除url中不能作为文件名的字符） public String getFileName(String url, String contentType) { String fileName = ""; if (contentType.contains("html")) fileName = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html"; else // 将类似text/html的字符串截取出文件类型后缀 fileName = url.replaceAll("[\\?/:*|<>\"]", "_") + "." + contentType.substring(contentType.indexOf("/") + 1); return fileName; } // 一个写文件的方法 public void saveToLocal(byte[] content, String filePath) { try { DataOutputStream out = new DataOutputStream(new FileOutputStream( new File(filePath))); for (int i = 0; i < content.length; i++) { try { out.write(content[i]); } catch (IOException e) { System.err.println("write error"); e.printStackTrace(); } } if (out != null) { try { out.close(); } catch (IOException e) { System.err.println("close error"); e.printStackTrace(); } } } catch (FileNotFoundException e) { System.err.println("out error"); e.printStackTrace(); } } // 将page的内容写入文件系统 public String downloadFile(String url) { String fileName = ""; HttpClient httpClient = new HttpClient(); // 设置HttpClient的连接管理对象，设置 HTTP连接超时5s httpClient.getHttpConnectionManager().getParams() .setConnectionTimeout(5000); if (url.indexOf("http") != -1) { GetMethod getMethod = new GetMethod(url); // 作用是什么？ getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000); getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER, new DefaultHttpMethodRetryHandler()); try { int statut = httpClient.executeMethod(getMethod); if (statut != HttpStatus.SC_OK) System.err.println("Method failed: " + getMethod.getStatusLine()); else { byte[] content = getMethod.getResponseBody(); fileName = "e:\\temp\\" + getFileName(url, getMethod.getResponseHeader("Content-Type") .getValue()); saveToLocal(content, fileName); System.out.println(url + "::" + fileName); } } catch (HttpException e) { System.err.println("getmethod error"); e.printStackTrace(); } catch (IOException e) { System.err.println("io error"); e.printStackTrace(); } } return fileName; } }
下面是分析url的类
package crawler.utill; 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; /** * 完成对要分析的page包含的地址的提取 * 将提取的地址放入到一个集合中去 * @author Xinyuyu * */ public class HtmlParser { private Set<String> links = new HashSet<String>(); public Set<String> extraLinks(String path){ // 需要两个过滤器，一个过滤掉<frame src=>和<a href>标签 @SuppressWarnings("serial") NodeFilter nodeFiler = new NodeFilter(){ public boolean accept(Node node) { if(node.getText().startsWith("fram src=")) return true; else return false; } }; NodeFilter tagFilter = new NodeClassFilter(LinkTag.class); OrFilter orFilter = new OrFilter(nodeFiler, tagFilter); try { Parser parser = new Parser(path); NodeList nodes = parser.extractAllNodesThatMatch(orFilter); if(nodes != null){ for(int i = 0; i < nodes.size(); i++){ Node node = nodes.elementAt(i); if(node instanceof LinkTag) links.add(((LinkTag) node).getLink()); else{ // 形如<frame src="test.html"> String frame = node.getText(); int start = frame.indexOf("src="); frame = frame.substring(start); int end = frame.indexOf(">"); if(end == -1){ end = frame.indexOf(" "); } frame = frame.substring(5, end - 1); } } } } catch (ParserException e) { System.err.println("extra error"); e.printStackTrace(); } return links; } }
最后是初始化爬虫的类
package crawler.main; import java.util.Set; import crawler.store.UrlPool; import crawler.utill.DownloadFile; import crawler.utill.HtmlParser; /** * 实例化一个crwler需要一个种子 * @author Xinyuyu * */ public class CrawlerAction { private void initCrawler(String [] seeds){ for(int i = 0; i < seeds.length; i++){ UrlPool.inQueue(seeds[i]); } } public CrawlerAction(String [] seeds){ initCrawler(seeds); System.out.println(UrlPool.queueNum()); // 若urlpool中的元素超过1000并队列中的元素不为空的时候虚幻 while(UrlPool.queueNum() > 0 && UrlPool.poolNum() < 1000){ String visitUrl = UrlPool.outQueue(); if(visitUrl == null) continue; DownloadFile downloadFile = new DownloadFile(); String filePath = downloadFile.downloadFile(visitUrl); UrlPool.addPool(visitUrl); HtmlParser htmlParser = new HtmlParser(); Set<String> links = htmlParser.extraLinks(visitUrl); // 若urlpool中不包含该链接的时候就入队 for(String link : links){ UrlPool.inQueue(link); } System.out.println(visitUrl + "::" + filePath); } } }
运行程序
package crawler.main; public class CrawlerMain { public static void main(String [] args){ String [] seeds = {"http://www.coderanch.com/t/63473/open-source/host-parameter-null-httpclient"}; CrawlerAction crawler = new CrawlerAction(seeds); } }
这样就可以运行这个简单的爬虫程序了。
参考
书 名：自己动手写网络爬虫作 者：罗刚出 版 社：清华大学出版社
