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