零基础写Java知乎爬虫之进阶篇

Z时代
2024-01-10
分类：IT

说到爬虫，使用Java本身自带的URLConnection可以实现一些基本的抓取页面的功能，但是对于一些比较高级的功能，比如重定向的处理，HTML标记的去除，仅仅使用URLConnection还是不够的。

在这里我们可以使用HttpClient这个第三方jar包。

接下来我们使用HttpClient简单的写一个爬去百度的Demo：


import java.io.FileOutputStream;import java.io.InputStream;import java.io.OutputStream;import org.apache.commons.httpclient.HttpClient;import org.apache.commons.httpclient.HttpStatus;import org.apache.commons.httpclient.methods.GetMethod;/** *  * @author CallMeWhy *  */public class Spider { private static HttpClient httpClient = new HttpClient(); /**  * @param path  *            目标网页的链接  * @return 返回布尔值，表示是否正常下载目标页面  * @throws Exception  *             读取网页流或写入本地文件流的IO异常  */ public static boolean downloadPage(String path) throws Exception {  // 定义输入输出流  InputStream input = null;  OutputStream output = null;  // 得到 post 方法  GetMethod getMethod = new GetMethod(path);  // 执行，返回状态码  int statusCode = httpClient.executeMethod(getMethod);  // 针对状态码进行处理  // 简单起见，只处理返回值为 200 的状态码  if (statusCode == HttpStatus.SC_OK) {   input = getMethod.getResponseBodyAsStream();   // 通过对URL的得到文件名   String filename = path.substring(path.lastIndexOf('/') + 1)     + ".html";   // 获得文件输出流   output = new FileOutputStream(filename);   // 输出到文件   int tempByte = -1;   while ((tempByte = input.read()) > 0) {    output.write(tempByte);   }   // 关闭输入流   if (input != null) {    input.close();   }   // 关闭输出流   if (output != null) {    output.close();   }   return true;  }  return false; } public static void main(String[] args) {  try {   // 抓取百度首页，输出   Spider.downloadPage("http://www.baidu.com");  } catch (Exception e) {   e.printStackTrace();  } }}

但是这样基本的爬虫是不能满足各色各样的爬虫需求的。

先来介绍宽度优先爬虫。

宽度优先相信大家都不陌生，简单说来可以这样理解宽度优先爬虫。

我们把互联网看作一张超级大的有向图，每一个网页上的链接都是一个有向边，每一个文件或没有链接的纯页面则是图中的终点：

宽度优先爬虫就是这样一个爬虫，爬走在这个有向图上，从根节点开始一层一层往外爬取新的节点的数据。

宽度遍历算法如下所示：

(1) 顶点 V 入队列。

(2) 当队列非空时继续执行，否则算法为空。

(3) 出队列，获得队头节点 V，访问顶点 V 并标记 V 已经被访问。

(4) 查找顶点 V 的第一个邻接顶点 col。

(5) 若 V 的邻接顶点 col 未被访问过，则 col 进队列。

(6) 继续查找 V 的其他邻接顶点 col，转到步骤(5)，若 V 的所有邻接顶点都已经被访问过，则转到步骤(2)。

按照宽度遍历算法，上图的遍历顺序为：A->B->C->D->E->F->H->G->I，这样一层一层的遍历下去。

而宽度优先爬虫其实爬取的是一系列的种子节点，和图的遍历基本相同。

我们可以把需要爬取页面的URL都放在一个TODO表中，将已经访问的页面放在一个Visited表中：

则宽度优先爬虫的基本流程如下：

(1) 把解析出的链接和 Visited 表中的链接进行比较，若 Visited 表中不存在此链接，表示其未被访问过。

(2) 把链接放入 TODO 表中。

(3) 处理完毕后，从 TODO 表中取得一条链接，直接放入 Visited 表中。

(4) 针对这个链接所表示的网页，继续上述过程。如此循环往复。

下面我们就来一步一步制作一个宽度优先的爬虫。

首先，对于先设计一个数据结构用来存储TODO表，考虑到需要先进先出所以采用队列，自定义一个Quere类：


import java.util.LinkedList;/** * 自定义队列类 保存TODO表 */public class Queue { /**  * 定义一个队列，使用LinkedList实现  */ private LinkedList<Object> queue = new LinkedList<Object>(); // 入队列 /**  * 将t加入到队列中  */ public void enQueue(Object t) {  queue.addLast(t); } /**  * 移除队列中的第一项并将其返回  */ public Object deQueue() {  return queue.removeFirst(); } /**  * 返回队列是否为空  */ public boolean isQueueEmpty() {  return queue.isEmpty(); } /**  * 判断并返回队列是否包含t  */ public boolean contians(Object t) {  return queue.contains(t); } /**  * 判断并返回队列是否为空  */ public boolean empty() {  return queue.isEmpty(); }}

还需要一个数据结构来记录已经访问过的 URL，即Visited表。

考虑到这个表的作用，每当要访问一个 URL 的时候，首先在这个数据结构中进行查找，如果当前的 URL 已经存在，则丢弃这个URL任务。

这个数据结构需要不重复并且能快速查找，所以选择HashSet来存储。

综上，我们另建一个SpiderQueue类来保存Visited表和TODO表：


import java.util.HashSet;import java.util.Set;/** * 自定义类 保存Visited表和unVisited表 */public class SpiderQueue { /**  * 已访问的url集合，即Visited表  */ private static Set<Object> visitedUrl = new HashSet<>(); /**  * 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); } /**  * 获得已经访问的 URL 数目  */ public static int getVisitedUrlNum() {  return visitedUrl.size(); } /**  * 待访问的url集合，即unVisited表  */ private static Queue unVisitedUrl = new Queue(); /**  * 获得UnVisited队列  */ public static Queue getUnVisitedUrl() {  return unVisitedUrl; } /**  * 未访问的unVisitedUrl出队列  */ public static Object unVisitedUrlDeQueue() {  return unVisitedUrl.deQueue(); } /**  * 保证添加url到unVisitedUrl的时候每个 URL只被访问一次  */ public static void addUnvisitedUrl(String url) {  if (url != null && !url.trim().equals("") && !visitedUrl.contains(url)    && !unVisitedUrl.contians(url))   unVisitedUrl.enQueue(url); } /**  * 判断未访问的 URL队列中是否为空  */ public static boolean unVisitedUrlsEmpty() {  return unVisitedUrl.empty(); }}

上面是一些自定义类的封装，接下来就是一个定义一个用来下载网页的工具类，我们将其定义为DownTool类：


package controller;import java.io.*;import org.apache.commons.httpclient.*;import org.apache.commons.httpclient.methods.*;import org.apache.commons.httpclient.params.*;public class DownTool { /**  * 根据 URL 和网页类型生成需要保存的网页的文件名，去除 URL 中的非文件名字符  */ private String getFileNameByUrl(String url, String contentType) {  // 移除 "http://" 这七个字符  url = url.substring(7);  // 确认抓取到的页面为 text/html 类型  if (contentType.indexOf("html") != -1) {   // 把所有的url中的特殊符号转化成下划线   url = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html";  } else {   url = url.replaceAll("[\\?/:*|<>\"]", "_") + "."     + contentType.substring(contentType.lastIndexOf("/") + 1);  }  return url; } /**  * 保存网页字节数组到本地文件，filePath 为要保存的文件的相对地址  */ private void saveToLocal(byte[] data, String filePath) {  try {   DataOutputStream out = new DataOutputStream(new FileOutputStream(     new File(filePath)));   for (int i = 0; i < data.length; i++)    out.write(data[i]);   out.flush();   out.close();  } catch (IOException e) {   e.printStackTrace();  } } // 下载 URL 指向的网页 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("请检查你的http地址是否正确");   e.printStackTrace();  } catch (IOException e) {   // 发生网络异常   e.printStackTrace();  } finally {   // 释放连接   getMethod.releaseConnection();  }  return filePath; }}

在这里我们需要一个HtmlParserTool类来处理Html标记：


package controller;import java.util.HashSet;import java.util.Set;import org.htmlparser.Node;import org.htmlparser.NodeFilter;import org.htmlparser.Parser;import org.htmlparser.filters.NodeClassFilter;import org.htmlparser.filters.OrFilter;import org.htmlparser.tags.LinkTag;import org.htmlparser.util.NodeList;import org.htmlparser.util.ParserException;import model.LinkFilter;public class HtmlParserTool { // 获取一个网站上的链接，filter 用来过滤链接 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   NodeFilter frameFilter = new NodeFilter() {    private static final long serialVersionUID = 1L;    @Override    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; }}

最后我们来写个爬虫类调用前面的封装类和函数：


package controller;import java.util.Set;import model.LinkFilter;import model.SpiderQueue;public class BfsSpider { /**  * 使用种子初始化URL队列  */ private void initCrawlerWithSeeds(String[] seeds) {  for (int i = 0; i < seeds.length; i++)   SpiderQueue.addUnvisitedUrl(seeds[i]); } // 定义过滤器，提取以 http://www.xxxx.com开头的链接 public void crawling(String[] seeds) {  LinkFilter filter = new LinkFilter() {   public boolean accept(String url) {    if (url.startsWith("http://www.baidu.com"))     return true;    else     return false;   }  };  // 初始化 URL 队列  initCrawlerWithSeeds(seeds);  // 循环条件：待抓取的链接不空且抓取的网页不多于 1000  while (!SpiderQueue.unVisitedUrlsEmpty()    && SpiderQueue.getVisitedUrlNum() <= 1000) {   // 队头 URL 出队列   String visitUrl = (String) SpiderQueue.unVisitedUrlDeQueue();   if (visitUrl == null)    continue;   DownTool downLoader = new DownTool();   // 下载网页   downLoader.downloadFile(visitUrl);   // 该 URL 放入已访问的 URL 中   SpiderQueue.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) {    SpiderQueue.addUnvisitedUrl(link);   }  } } // main 方法入口 public static void main(String[] args) {  BfsSpider crawler = new BfsSpider();  crawler.crawling(new String[] { "http://www.baidu.com" }); }}

运行可以看到，爬虫已经把百度网页下所有的页面都抓取出来了：