欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

一个简易的Java多页面队列爬虫程序

程序员文章站 2024-03-13 11:22:54
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、...

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: 

一个简易的Java多页面队列爬虫程序

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。