一个简易的Java多页面队列爬虫程序

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。