我要评论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();
}
}
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持移动技术网。
您可能感兴趣的文章:
如您对本文有疑问或者有任何想说的，请 点击进行留言回复，万千网友为您解惑！
网友评论