Java简单的网络爬虫实现

 

最近在学习搜索方面的东西，需要了解网络爬虫方面的知识，虽然有很多开源的强大的爬虫，但本着学习的态度，自己写了一个简单的网络爬虫，以便了解其中原理。

首先介绍每个类的功能：

DownloadPage.java的功能是下载此超链接的页面源代码.

FunctionUtils.java 的功能是提供不同的静态方法，包括：页面链接正则表达式匹配,获取URL链接的元素,判断是否创建文件,获取页面的Url并将其转换为规范的Url,截取网页网页源文件的目标内容。

HrefOfPage.java 的功能是获取页面源代码的超链接。

UrlDataHanding.java 的功能是整合各个给类，实现url到获取数据到数据处理类。

UrlQueue.java 的未访问Url队列。

VisitedUrlQueue.java 已访问过的URL队列。

下面介绍一下每个类的源代码：

DownloadPage.java 此类要用到HttpClient组件。

package com.sreach.spider;import java.io.IOException;import org.apache.http.HttpEntity;import org.apache.http.HttpResponse;import org.apache.http.client.ClientProtocolException;import org.apache.http.client.HttpClient;import org.apache.http.client.methods.HttpGet;import org.apache.http.impl.client.DefaultHttpClient;import org.apache.http.util.EntityUtils;public class DownloadPage {/** * 根据URL抓取网页内容 * * @param url * @return */public static String getContentFormUrl(String url) { /* 实例化一个HttpClient客户端 */HttpClient client = new DefaultHttpClient();HttpGet getHttp = new HttpGet(url);String content = null;HttpResponse response;try { /* 获得信息载体 */response = client.execute(getHttp);HttpEntity entity = response.getEntity();VisitedUrlQueue.addElem(url);if (entity != null) { /* 转化为文本信息 */content = EntityUtils.toString(entity); /* 判断是否符合下载网页源代码到本地的条件 */if (FunctionUtils.isCreateFile(url) && FunctionUtils.isHasGoalContent(content) != -1) {FunctionUtils.createFile(FunctionUtils.getGoalContent(content), url);}}} catch (ClientProtocolException e) {e.printStackTrace();} catch (IOException e) {e.printStackTrace();} finally {client.getConnectionManager().shutdown();}return content;}}

FunctionUtils.java 此类的方法均为static方法

package com.sreach.spider;import java.io.BufferedWriter;import java.io.File;import java.io.FileOutputStream;import java.io.IOException;import java.io.OutputStreamWriter;import java.util.regex.Matcher;import java.util.regex.Pattern;public class FunctionUtils {/** * 匹配超链接的正则表达式 */private static String pat = "http://www\\.oschina\\.net/code/explore/.*/\\w+\\.[a-zA-Z]+";private static Pattern pattern = Pattern.compile(pat);private static BufferedWriter writer = null;/** * 爬虫搜索深度 */public static int depth = 0;/** * 以"/"来分割URL,获得超链接的元素 * * @param url * @return */public static String[] divUrl(String url) {return url.split("/");}/** * 判断是否创建文件 * * @param url * @return */public static boolean isCreateFile(String url) {Matcher matcher = pattern.matcher(url);return matcher.matches();}/** * 创建对应文件 * * @param content * @param urlPath */public static void createFile(String content, String urlPath) { /* 分割url */String[] elems = divUrl(urlPath);StringBuffer path = new StringBuffer();File file = null;for (int i = 1; i < elems.length; i++) {if (i != elems.length - 1) {path.append(elems[i]);path.append(File.separator);file = new File("D:" + File.separator + path.toString());}if (i == elems.length - 1) {Pattern pattern = Pattern.compile("\\w+\\.[a-zA-Z]+");Matcher matcher = pattern.matcher(elems[i]);if ((matcher.matches())) {if (!file.exists()) {file.mkdirs();}String[] fileName = elems[i].split("\\.");file = new File("D:" + File.separator + path.toString() + File.separator + fileName[0] + ".txt");try {file.createNewFile();writer = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(file)));writer.write(content);writer.flush();writer.close();System.out.println("创建文件成功");} catch (IOException e) {e.printStackTrace();}}}}}/** * 获取页面的超链接并将其转换为正式的A标签 * * @param href * @return */public static String getHrefOfInOut(String href) { /* 内外部链接最终转化为完整的链接格式 */String resultHref = null; /* 判断是否为外部链接 */if (href.startsWith("http://")) {resultHref = href;} else { /* 如果是内部链接,则补充完整的链接地址,其他的格式忽略不处理,如：a href="#" */if (href.startsWith("/")) {resultHref = "http://www.oschina.net" + href;}}return resultHref;}/** * 截取网页网页源文件的目标内容 * * @param content * @return */public static String getGoalContent(String content) {int sign = content.indexOf("<pre class=\"");String signContent = content.substring(sign);int start = signContent.indexOf(">");int end = signContent.indexOf("</pre>");return signContent.substring(start + 1, end);}/** * 检查网页源文件中是否有目标文件 * * @param content * @return */public static int isHasGoalContent(String content) {return content.indexOf("<pre class=\"");}}

HrefOfPage.java 此类为获取页面的超链接

package com.sreach.spider;public class HrefOfPage {/** * 获得页面源代码中超链接 */public static void getHrefOfContent(String content) {System.out.println("开始");String[] contents = content.split("<a href=\"");for (int i = 1; i < contents.length; i++) {int endHref = contents[i].indexOf("\"");String aHref = FunctionUtils.getHrefOfInOut(contents[i].substring(0, endHref));if (aHref != null) {String href = FunctionUtils.getHrefOfInOut(aHref);if (!UrlQueue.isContains(href) && href.indexOf("/code/explore") != -1        && !VisitedUrlQueue.isContains(href)) {UrlQueue.addElem(href);}}}System.out.println(UrlQueue.size() + "--抓取到的连接数");System.out.println(VisitedUrlQueue.size() + "--已处理的页面数");}}

UrlDataHanding.java 此类主要是从未访问队列中获取url,下载页面，分析url，保存已访问url等操作，实现Runnable接口

package com.sreach.spider;public class UrlDataHanding implements Runnable {/** * 下载对应页面并分析出页面对应的URL放在未访问队列中。 * @param url */public void dataHanding(String url) {HrefOfPage.getHrefOfContent(DownloadPage.getContentFormUrl(url));}public void run() {while (!UrlQueue.isEmpty()) {dataHanding(UrlQueue.outElem());}}}

UrlQueue.java 此类主要是用来存放未访问的URL队列

package com.sreach.spider;import java.util.LinkedList;public class UrlQueue {/** 超链接队列 */public static LinkedList<String> urlQueue = new LinkedList<String>();/** 队列中对应最多的超链接数量 */public static final int MAX_SIZE = 10000;public synchronized static void addElem(String url) {urlQueue.add(url);}public synchronized static String outElem() {return urlQueue.removeFirst();}public synchronized static boolean isEmpty() {return urlQueue.isEmpty();}public static int size() {return urlQueue.size();}public static boolean isContains(String url) {return urlQueue.contains(url);}}

VisitedUrlQueue.java 主要是保存已访问过的URL，使用HashSet来保存，主要是考虑到每个访问过的URL是不同。HashSet刚好符合这个要求

package com.sreach.spider;import java.util.HashSet;/** * 已访问url队列 * @author HHZ * */public class VisitedUrlQueue {public static HashSet<String> visitedUrlQueue = new HashSet<String>();public synchronized static void addElem(String url) {visitedUrlQueue.add(url);}public synchronized static boolean isContains(String url) {return visitedUrlQueue.contains(url);}public synchronized static int size() {return visitedUrlQueue.size();}}

Test.java 此类为测试类

import java.sql.SQLException;import com.sreach.spider.UrlDataHanding;import com.sreach.spider.UrlQueue;public class Test {public static void main(String[] args) throws SQLException {String url = "http://www.oschina.net/code/explore/achartengine/client/AndroidManifest.xml";String url1 = "http://www.oschina.net/code/explore";String url2 = "http://www.oschina.net/code/explore/achartengine";String url3 = "http://www.oschina.net/code/explore/achartengine/client";UrlQueue.addElem(url);UrlQueue.addElem(url1);UrlQueue.addElem(url2);UrlQueue.addElem(url3);UrlDataHanding[] url_Handings = new UrlDataHanding[10];for (int i = 0; i < 10; i++) {url_Handings[i] = new UrlDataHanding();new Thread(url_Handings[i]).start();}}}

说明一下：由于我抓取的是针对oschina的，所以里面的url正则表达式不适合其他网站，需要自己修改一下。你也可以写成xml来配置。

小弟技术有限，有些地方确实写得不好，希望各位大牛不吝指教。

原文链接：http://www.cnblogs.com/HZhoog/archive/2012/05/08/2490374.html