Java网络编程之爬虫--计算机网络、应用层协议的综合应用

前言：
前几天在B站上面，看到了一个使用C/C++实现的网络爬虫，我没有看视频，只是看了评论，这位up主应该就是只使用语言本身提供的包实现的爬虫。但是，我对这种方式很有兴趣，所以我就来实现一个Java版本的，正好也是综合运用自己学习的知识。

具体效果：

注意：爬取过程中，出现了几个time out，但是也不影响整个爬虫的工作（出现异常的图片，可能会损坏，但是几百张失败一两次还是可以接受的），所以这里也就不处理它了，我测试了一下，把超时时间调高一点，并且当前网络通畅的话，也就不会遇到这个问题了。

推荐阅读：简单的socket
这篇博客是基于上面这篇博客的一个扩展，上次只是实现了Socket下载网络资源，这里就更进一步了，变成一个小小的爬虫。

给爷爬

这里给它取一个有趣的名字吧——给爷爬。

这里我主要是想引入一个URL队列的概念，它的工作模式如下：
1.初始添加一个种子URL入队列。
2.从URL队列中取出一个URL，进行处理，将获取到新的URL加入队列（如果有新的URL的话）。
3.重复步骤2，直到队列为空。

通常，我们刚学习爬虫（现在，我也没有学习多久，哈哈。），只是一股脑的爬，比如按照页码来一个一个的爬取，先遇到的先爬取，这里其实都是有一个队列的思想的（先进先出 FIFO）。

所以，这里我分了几个模块来处理，下面就来依次介绍这几个部分。

Request类

一个简单的实体类，实现url和name属性的封装。

package dragon;

public class Request {
	
	private String url;   // url
	private String name;  // name
	
	
	public Request(String url, String name) {
		super();
		this.url = url;
		this.name = name;
		
	}
	
	public String getName() {
		return name;
	}
	public void setName(String name) {
		this.name = name;
	}
	public String getUrl() {
		return url;
	}
	public void setUrl(String url) {
		this.url = url;
	}
	
	@Override
	public String toString() {
		return "Picture [name=" + name + ", url=" + url + "]";
	}
}

MessageUtil类

因为是使用语言本身提供的Socket来处理的，没有引入更高级的类库，所以处理起来相对麻烦一下。比如，需要自己手工构造HTTP请求报文、手工HTTP解析响应报文。不过，这里的请求报文，它的结构很简单，这个网站也没有什么反爬机制，用来练手很合适。

package dragon;

import java.nio.charset.StandardCharsets;

/**
 * 构造一个适当的请求报文
 * */
public class MessageUtil {
	
	private final static String UA = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
			+ "Chrome/86.0.4240.80 Safari/537.36 Edg/86.0.622.48";
	private final static char CR = '\r';
	private final static char LF = '\n';
	private final static char BLANK = ' ';
	
	public static byte[] getRequestMsg(String path, String host, String referer) {
		StringBuilder msgBuilder = new StringBuilder();
		msgBuilder.append("GET").append(BLANK).append(path).append(BLANK).append("HTTP/1.0").append(CR).append(LF)
		          .append("User-Agent:").append(BLANK).append(UA).append(CR).append(LF)
				  .append("Host:").append(BLANK).append(host).append(CR).append(LF)
				  .append("Upgrade-Insecure-Requests:").append(BLANK).append(1).append(CR).append(LF)
				  .append("Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9").append("\r\n")
				  .append(CR).append(LF);
		
		String msg = msgBuilder.toString();
		return msg.getBytes(StandardCharsets.UTF_8);
	}
}

PageDownloader类

使用套接字发送请求报文，接收响应报文。因为HTTP是建立在TCP之上的，所以请求报文和响应报文，也就是对应了套接字的OutputStream和InputStream了。但是，要注意这里使用的不是Socket，而是SSLSocket。因为，这个图片网站使用的是https协议，如果使用Socket的话，是无法建立连接的。这里，只要这样使用就行了，关于SSLSocket的详细情况，我也不是太了解。因为平时处理网络，都是使用高级api，它们会屏蔽这些细节的。
这里需要了解HTTP和HTTPS的区别，SSLSocket就是安全层套接字。
HTTP：Hyper Text Transport Protocol
HTTPS：Hyper Text Transport Protocol Over SecureSocket Layer

这个类的作用是下载html文件，它首先发送一个请求报文，然后接收响应报文。但是响应报文，是含有首部的，尽管我们平时是看不见的，所以这里返回的不只是html文件本身了，因此这里你需要了解一下HTTP报文的结构。

所以我这里定义了一个方法：readMsgHeader()，直接读取首部并简单丢弃，不做处理。

package dragon;

import java.io.BufferedInputStream;
import java.io.BufferedOutputStream;
import java.io.ByteArrayOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
import java.net.MalformedURLException;
import java.net.URL;

import javax.net.ssl.SSLSocket;
import javax.net.ssl.SSLSocketFactory;
/**
 * 下载页面
 * */
public class PageDownloader {
	
	private static SSLSocketFactory factory = (SSLSocketFactory) SSLSocketFactory.getDefault();// 利用工厂来创建SSLSocket安全套接字
	private final static int TIMEOUT = 10*1000;
	
	public String getHtml(String link, String cs) {
		URL url = null;
		try {
			url = new URL(link);
		} catch (MalformedURLException e1) {
			e1.printStackTrace();
		}
		
		String host = url.getHost();            // 获取主机 Host
		int port = url.getPort() != -1 ? url.getPort() : 443;  // 获取端口号
		String path = url.getPath(); // 请求路径

		try (SSLSocket socket = (SSLSocket) factory.createSocket(host, port)) {
			socket.setSoTimeout(TIMEOUT);   // 设置超时时间
			
			// 启用所有密码组
			String[] supported = socket.getSupportedCipherSuites();
			socket.setEnabledCipherSuites(supported);
			
			// 获取输出流和输入流
			OutputStream output = new BufferedOutputStream(socket.getOutputStream());
			InputStream input = new BufferedInputStream(socket.getInputStream());
			// 使用输出流发送请求数据
			byte[] requestMsg = MessageUtil.getRequestMsg(path, host, link);
			output.write(requestMsg);			
			output.flush();  // 刷新输出流，不然未发送请求，导致无法接收到响应
			
			// 过滤报文首部数据
			try {
				readMsgHeader(input);
			} catch (Exception e) {
				e.printStackTrace();
				System.out.println("连接发生异常，退出当前连接下载！");
				return null;
			}
			
			try (ByteArrayOutputStream out = new ByteArrayOutputStream()) {
				int len = 0;
				byte[] b = new byte[2048];
        		while ((len = input.read(b)) != -1) {
        			out.write(b, 0, len);
            	}
        		return out.toString(cs);
			}
		} catch (IOException e) {
			e.printStackTrace();
		}
		return null;
	}

	/**
	 * 读取报文头部，但是不做处理，只是简单的过滤头部的信息
	 * @throws Exception 
	 * */
	private void readMsgHeader(InputStream in) throws Exception {
		StringBuilder sb = new StringBuilder();
		while (true) {
			int c = in.read();
			if (c != -1) {
				if (c != '\n') {
					sb.append((char)c);
				} else {
					int len = sb.length();
					if (len == 1) {
						break; // 读取到最后一行 \r\n，退出循环。
					} else {
						sb.delete(0, len);
					}
				}
			} else {
				throw new Exception("连接发生异常！");
			}
		}
	}
}

UrlDownloader类

用于下载图片的类，它的功能和前面的PageDownloader类基本相似，但是它是将获取的图片数据持久化到本地。

package dragon;

import java.io.BufferedInputStream;
import java.io.BufferedOutputStream;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
import java.net.MalformedURLException;
import java.net.URL;
import java.net.UnknownHostException;

import javax.net.ssl.SSLSocket;
import javax.net.ssl.SSLSocketFactory;

public class UrlDownloader implements Runnable {
	private static SSLSocketFactory factory = (SSLSocketFactory) SSLSocketFactory.getDefault();// 利用工厂来创建SSLSocket安全套接字
	private final static int TIMEOUT = 10*1000;
	private Request request;
	private String filePath;

	public UrlDownloader(Request request, String filePath) {
		this.request = request;
		this.filePath = filePath;
	}
	
	@Override
	public void run() {
		String link = request.getUrl();
		URL url = null;
		try {
			url = new URL(link);
		} catch (MalformedURLException e1) {
			e1.printStackTrace();
		}
		
		String host = url.getHost();            // 获取主机 Host
		int port = url.getPort() != -1 ? url.getPort() : 443;  // 获取端口号
		String path = url.getPath(); // 请求路径

		try (SSLSocket socket = (SSLSocket) factory.createSocket(host, port)) {
			socket.setSoTimeout(TIMEOUT);   // 设置超时时间
			
			// 启用所有密码组
			String[] supported = socket.getSupportedCipherSuites();
			socket.setEnabledCipherSuites(supported);
			
			// 获取输出流和输入流
			OutputStream output = new BufferedOutputStream(socket.getOutputStream());
			InputStream input = new BufferedInputStream(socket.getInputStream());
			// 使用输出流发送请求数据
			byte[] requestMsg = MessageUtil.getRequestMsg(path, host, "https://www.showmeizi.com");
			output.write(requestMsg);			
			output.flush();  // 刷新输出流，不然未发送请求，导致无法接收到响应
			
			// 过滤报文首部数据
			try {
				readMsgHeader(input);
			} catch (Exception e) {
				e.printStackTrace();
				System.out.println("连接发生异常，退出当前连接下载！");
				return ;
			}
			// 读取响应报文数据部，即图片本身的二进制数据
			try (OutputStream outputFile = new BufferedOutputStream(
					new FileOutputStream(new File(filePath, request.getName())))) {
				int len = 0;
				byte[] b = new byte[2048];
        		while ((len = input.read(b)) != -1) {
        			outputFile.write(b, 0, len);
            	}
			}
		} catch (UnknownHostException e) {
			e.printStackTrace();
		} catch (IOException e) {
			e.printStackTrace();
		}
		System.out.println("资源：" + link + " 抓取完成！");
	}
	
	/**
	 * 读取报文头部，但是不做处理，只是简单的过滤头部的信息
	 * @throws Exception 
	 * */
	private void readMsgHeader(InputStream in) throws Exception {
		StringBuilder sb = new StringBuilder();
		while (true) {
			int c = in.read();
			if (c != -1) {
				if (c != '\n') {
					sb.append((char)c);
				} else {
					int len = sb.length();
					if (len == 1) {
						break; // 读取到最后一行 \r\n，退出循环。
					} else {
						sb.delete(0, len);
					}
				}
			} else {
				throw new Exception("连接发生异常！");
			}
		}
	}

}

DataCrawler类

整个给爷爬的主要逻辑都在这个类里面了。这部分，就是关于网页结构的知识了。

爬虫的轨迹是如下的：首先从根路径开始，获取根路径所在html页面的所有标题页（只获取第一页的所有标题页用于演示），然后对于每一个标题页提取所有的图片链接信息，最后依次下载每一条链接，总体上逻辑还是很简单的。

package dragon;

import java.util.LinkedList;
import java.util.Queue;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

/**
 * 准备不使用外部依赖，仅仅依靠语言本身的功能完成一个简单的数据采集任务。
 * 用来检验自己这段时间的网络学习的成果，并加深对于 网络、协议、web的理解。
 * */
public class DataCrawler {
	
	// 用于存储待抓取数据url的队列
	private static Queue<Request> queue = new LinkedList<>();
	private static String filePath = "D:/DBC/Test";
	
	public static void main(String[] args) {
		System.out.println("启动 --> 给爷爬！");
		// 添加一个根路径，然后开始url调度
		queue.offer(new Request("https://www.showmeizi.com/category/qingchun", "qingchun"));
		
		// 下载对应的html页面
		PageDownloader pageDownloader = new PageDownloader();
		String html = null;
		
		// 创建一个线程池
		ExecutorService pool = Executors.newFixedThreadPool(2);  // 没有使用代理ip，而且只是验证，慢慢爬也无所谓了
		
		while(!queue.isEmpty()) {
			Request request = queue.poll();
			String url = request.getUrl();
			System.out.println("开始处理url：" + url + " --> " + request.getName());
			if (url.contains("category")) {  // 这个url是爬虫的起点
				html = pageDownloader.getHtml(url, "UTF-8");
				resolveRoot(html);
			} else if (url.contains("detail")) {  // 对应标题页的url
				html = pageDownloader.getHtml(url, "UTF-8");
				resolveChild(html);
			} else {  // 图片对应的url
				pool.submit(new UrlDownloader(request, filePath));
			}
		}
		pool.shutdown();
		
		// 采用轮询方式，当爬虫结束时打印该语句
		while (true) {
			if (pool.isTerminated()) {
				System.out.println("结束 --> 给爷爬");
				break;  
			}
		}
	}
	
	public static void resolveRoot(String html) {
		html = html.replace(' ', '_');   // 由于标题字符串中含有空格，所以先替换掉空格，再匹配
		String regex = "/detail/\\d{4}";                     // 匹配URL
		String regex1 = "/(\\S+|\\s*|\\S+)-thumbnail.jpg";   // 匹配对应的标题
		Pattern urlPattern = Pattern.compile(regex);
		Pattern titlePattern = Pattern.compile(regex1);
		Matcher urlMatcher = urlPattern.matcher(html);
		Matcher titleMatcher = titlePattern.matcher(html);
		while(urlMatcher.find() && titleMatcher.find()) {
			String url = urlMatcher.group();
			String title = titleMatcher.group();
			queue.offer(new Request("https://www.showmeizi.com" + url, title));   // 添加新的request对象进入队列，等待处理
		}
	}
	
	public static void resolveChild(String html) {
		html = html.replace(' ', '_');   // 由于标题字符串中含有空格，所以先替换掉空格，再匹配		
		
		String regex = "/(\\S+)/\\d{2}[a-z]\\d{2}.jpg";                     // 匹配URL
		Pattern pattern = Pattern.compile(regex);
		Matcher matcher = pattern.matcher(html);
		while(matcher.find()) {
			String url = matcher.group();
			String title = url.substring(url.lastIndexOf("/")+1);
			url = url.replace('_', ' ');  // 这里需要注意，有的路径含有空格，我将其替换了，现在再替换回去
			queue.offer(new Request("https://www.showmeizi.com" + url, title));   // 添加新的request对象进入队列，等待处理
		}
	}
	
}

总结

这里使用Java网络编程+计算机网络的知识，而且是从一个底层开始处理（相对于应用层的底层，不是计算机网络的底层），具有很好的学习价值。特别是刚刚接触计算机网络的人，可以给人一种很直观感受，而不只是单纯书本上面的概念，并且学以致用，也是一种比较有效的学习方式。

本文地址：https://blog.csdn.net/qq_40734247/article/details/109268318