这里有新鲜出炉的Java并发编程示例,程序狗速度看过来!
java 是一种可以撰写跨平台应用软件的面向对象的程序设计语言,是由Sun Microsystems公司于1995年5月推出的Java程序设计语言和Java平台(即JavaEE(j2ee), JavaME(j2me), JavaSE(j2se))的总称。
这篇文章主要为大家详细介绍了一个多页面的java爬虫,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
之前写过很多单页面python爬虫,感觉python还是很好用的,这里用java总结一个多页面的爬虫,迭代爬取种子页面的所有链接的页面,全部保存在tmp路径下。
一、 序言
实现这个爬虫需要两个数据结构支持,unvisited队列(priorityqueue:可以适用pagerank等算法计算出url重要度)和visited表(hashset:可以快速查找url是否存在);队列用于实现宽度优先爬取,visited表用于记录爬取过的url,不再重复爬取,避免了环。java爬虫需要的工具包有httpclient和htmlparser1.5,可以在maven repo中查看具体版本的下载。
1、目标网站:新浪 http://www.sina.com.cn/
2、结果截图:
下面说说爬虫的实现,后期源码会上传到github中,需要的朋友可以留言:
二、爬虫编程
1、创建种子页面的url
MyCrawler crawler = new MyCrawler();
crawler.crawling(new String[]{"http://www.sina.com.cn/"});
2、初始化unvisited表为上面的种子url
LinkQueue.addUnvisitedUrl(seeds[i]);
3、最主要的逻辑实现部分:在队列中取出没有visit过的url,进行下载,然后加入visited的表,并解析改url页面上的其它url,把未读取的加入到unvisited队列;迭代到队列为空停止,所以这个url网络还是很庞大的。注意,这里的页面下载和页面解析需要java的工具包实现,下面具体说明下工具包的使用。
- while(!LinkQueue.unVisitedUrlsEmpty()&&LinkQueue.getVisitedUrlNum()<=1000)
- {
- //队头URL出队列
- String visitUrl=(String)LinkQueue.unVisitedUrlDeQueue();
- if(visitUrl==null)
- continue;
- DownLoadFile downLoader=new DownLoadFile();
- //下载网页
- downLoader.downloadFile(visitUrl);
- //该 url 放入到已访问的 URL 中
- LinkQueue.addVisitedUrl(visitUrl);
- //提取出下载网页中的 URL
- Set<String> links=HtmlParserTool.extracLinks(visitUrl,filter);
- //新的未访问的 URL 入队
- for(String link:links)
- {
- LinkQueue.addUnvisitedUrl(link);
- }
- }
4、下面html页面的download工具包
- 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 HTTP 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("Please check your provided http address!");
- e.printStackTrace();
- } catch (IOException e) {
- // 发生网络异常
- e.printStackTrace();
- } finally {
- // 释放连接
- getMethod.releaseConnection();
- }
- return filePath;
- }
5、html页面的解析工具包:
- public static Set < String > extracLinks(String url, LinkFilter filter) {
- Set < String > links = new HashSet < String > ();
- try {
- Parser parser = new Parser(url);
- parser.setEncoding("gb2312");
- // 过滤 <frame >标签的 filter,用来提取 frame 标签里的 src 属性所表示的链接
- NodeFilter frameFilter = new NodeFilter() {
- public boolean accept(Node node) {
- if (node.getText().startsWith("frame src=")) {
- return true;
- } else {
- return false;
- }
- }
- };
- // OrFilter 来设置过滤 <a> 标签,和 <frame> 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) // <a> 标签
- {
- LinkTag link = (LinkTag) tag;
- String linkUrl = link.getLink(); // url
- if (filter.accept(linkUrl)) links.add(linkUrl);
- } else // <frame> 标签
- {
- // 提取 frame 里 src 属性的链接如 <frame src="test.html"/>
- 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;
- }
6、未访问页面使用PriorityQueue带偏好的队列保存,主要是为了适用于pagerank等算法,有的url忠诚度更高一些;visited表采用hashset实现,注意可以快速查找是否存在;
- public class LinkQueue {
- //已访问的 url 集合
- private static Set visitedUrl = new HashSet();
- //待访问的 url 集合
- private static Queue unVisitedUrl = new PriorityQueue();
- //获得URL队列
- public static Queue getUnVisitedUrl() {
- return unVisitedUrl;
- }
- //添加到访问过的URL队列中
- public static void addVisitedUrl(String url) {
- visitedUrl.add(url);
- }
- //移除访问过的URL
- public static void removeVisitedUrl(String url) {
- visitedUrl.remove(url);
- }
- //未访问的URL出队列
- public static Object unVisitedUrlDeQueue() {
- return unVisitedUrl.poll();
- }
- // 保证每个 url 只被访问一次
- public static void addUnvisitedUrl(String url) {
- if (url != null && !url.trim().equals("") && !visitedUrl.contains(url) && !unVisitedUrl.contains(url)) unVisitedUrl.add(url);
- }
- //获得已经访问的URL数目
- public static int getVisitedUrlNum() {
- return visitedUrl.size();
- }
- //判断未访问的URL队列中是否为空
- public static boolean unVisitedUrlsEmpty() {
- return unVisitedUrl.isEmpty();
- }
- }
来源: http://www.phperz.com/article/17/1122/360287.html