简介

  “网络蜘蛛”或者说“网络爬虫”,是一种能访问网站并跟踪链接的程序,通过它,可快速地画出一个网站所包含的网页地图信息。本文主要讲述如何使用Java编程来构建一个“蜘蛛”,我们会先以一个可复用的蜘蛛类包装一个基本的“蜘蛛”,并在示例程序中演示如何创建一个特定的“蜘蛛”来扫描相关网站并找出死链接。

  Java语言在此非常适合构建一个“蜘蛛”程序,其内建了对HTTP协议的支持,通过它可以传输大部分的网页信息;其还内建了一个HTML解析器,正是这两个原因使Java语言成为本文构建“蜘蛛”程序的首选。

  使用“蜘蛛”

  文章后面例1的示例程序,将会扫描一个网站,并寻找死链接。使用这个程序时需先输入一个URL并单击“Begin”按钮,程序开始之后,“Begin”按钮会变成“Cancel”按钮。在程序扫描网站期间,会在“Cancel”按钮之下显示进度,且在检查当前网页时,也会显示相关正常链接与死链接的数目,死链接将显示在程序底部的滚动文本框中。单击“Cancel”按钮会停止扫描过程,之后可以输入一个新的URL;如果期间没有单击“Cancel”,程序将会一直运行直到查找完所有网页,此后,“Cancel”按钮会再次变回“Begin”,表示程序已停止。

  下面将演示示例程序是如何与可复用“Spider”类交互的,示例程序包含在例1的CheckLinks类中,这个类实现了ISpiderReportable接口,如例2所示,正是通过这个接口,蜘蛛类才能与示例程序相交互。在这个接口中,定义了三个方法:第一个方法是“spiderFoundURL”,它在每次程序定位一个URL时被调用,如果方法返回true,表示程序应继续执行下去并找出其中的链接;第二个方法是“spiderURLError”,它在每次程序检测URL导致错误时被调用(如“404 页面未找到”);第三个方法是“spiderFoundEMail”,它在每次发现电子邮件地址时被调用。有了这三个方法,Spider类就能把相关信息反馈给创建它的程序了。

  在begin方法被调用后,“蜘蛛”就开始工作了;为允许程序重绘其用户界面,“蜘蛛”是作为一个单独的线程启动的。点击“Begin”按钮会开始这个后台线程,当后台线程运行之后,又会调用“CheckLinks”类的run方法,而run方法是由Spider对象实例化时启动的,如下所示:

  spider = new Spider(this);

  spider.clear();

  base = new URL(url.getText());

  spider.addURL(base);

  spider.begin();

  首先,一个新的Spider对象被实例化,在此,需要传递一个“ISpiderReportable”对象给Spider对象的构造函数,因为“CheckLinks”类实现了“ISpiderReportable”接口,只需简单地把它作为当前对象(可由关键字this表示)传递给构造函数即可;其次,在程序中维护了一个其访问过的URL列表,而“clear”方法的调用则是为了确保程序开始时URL列表为空,程序开始运行之前必须添加一个URL到它的待处理列表中,此时用户输入的URL则是添加到列表中的第一个,程序就由扫描这个网页开始,并找到与这个起始URL相链接的其他页面;最后,调用“begin”方法开始运行“蜘蛛”,这个方法直到“蜘蛛”工作完毕或用户取消才会返回。

  当“蜘蛛”运行时,可以调用由“ISpiderReportable”接口实现的三个方法来报告程序当前状态,程序的大部分工作都是由“spiderFoundURL”方法来完成的,当“蜘蛛”发现一个新的URL时,它首先检查其是否有效,如果这个URL导致一个错误,就会把它当作一个死链接;如果链接有效,就会继续检查它是否在一个不同的服务器上,如果链接在同一服务器上,“spiderFoundURL”返回true,表示“蜘蛛”应继续跟踪这个URL并找出其他链接,如果链接在另外的服务器上,就不会扫描是否还有其他链接,因为这会导致“蜘蛛”不断地浏览Internet,寻找更多、更多的网站,所以,示例程序只会查找用户指定网站上的链接。

  构造Spider类

  前面已经讲了如何使用Spider类,请看例3中的代码。使用Spider类及“ISpiderReportable”接口能方便地为某一程序添加“蜘蛛”功能,下面继续讲解Spider类是怎样工作的。

  Spider类必须保持对其访问过的URL的跟踪,这样做的目的是为了确保“蜘蛛”不会访问同一URL一次以上;进一步来说,“蜘蛛”必须把URL分成三组,第一组存储在“workloadWaiting”属性中,包含了一个未处理的URL列表,“蜘蛛”要访问的第一个URL也存在其中;第二组存储在“workloadProcessed”中,它是“蜘蛛”已经处理过且无需再次访问的URL;第三组存储在“workloadError”中,包含了发生错误的URL。

  Begin方法包含了Spider类的主循环,其一直重复遍历“workloadWaiting”,并处理其中的每一个页面,当然我们也想到了,在这些页面被处理时,很可能有其他的URL添加到“workloadWaiting”中,所以,begin方法一直继续此过程,直到调用Spider类的cancel方法,或“workloadWaiting”中已不再剩有URL。这个过程如下:

  cancel = false;

  while ( !getWorkloadWaiting().isEmpty() && !cancel ) {

  Object list[] = getWorkloadWaiting().toArray();

  for ( int i=0;(i

  processURL((URL)list[i]);

  }

  当上述代码遍历“workloadWaiting”时,它把每个需处理的URL都传递给“processURL”方法,而这个方法才是真正读取并解析URL中HTML信息的。

  读取并解析HTML

  Java同时支持访问URL内容及解析HTML,而这正是“processURL”方法要做的。在Java中读取URL内容相对还比较简单,下面就是“processURL”方法实现此功能的代码:

  URLConnection connection = url.openConnection();

  if ( (connection.getContentType()!=null) &&

  !connection.getContentType().toLowerCase()

  .startsWith("text/") ) {

  getWorkloadWaiting().remove(url);

  getWorkloadProcessed().add(url);

  log("Not processing because content type is: " +

  connection.getContentType() );

  return;

  }

  首先,为每个传递进来的变量url中存储的URL构造一个“URLConnection”对象,因为网站上会有多种类型的文档,而“蜘蛛”只对那些包含HTML,尤其是基于文本的文档感兴趣。前述代码是为了确保文档内容以“text/”打头,如果文档类型为非文本,会从等待区移除此URL,并把它添加到已处理区,这也是为了保证不会再次访问此URL。

  在对特定URL建立连接之后,接下来就要解析其内容了。下面的代码打开了URL连接,并读取内容:

  InputStream is = connection.getInputStream();

  Reader r = new InputStreamReader(is);

  现在,我们有了一个Reader对象,可以用它来读取此URL的内容,对本文中的“蜘蛛”来说,只需简单地把其内容传递给HTML解析器就可以了。本例中使用的HTML解析器为Swing HTML解析器,其由Java内置,但由于Java对HTML解析的支持力度不够,所以必须重载一个类来实现对HTML解析器的访问,这就是为什么我们要调用“HTMLEditorKit”类中的“getParser”方法。但不幸的是,Sun公司把这个方法置为protected,唯一的解决办法就是创建自己的类并重载“getParser”方法,并把它置为public,这由“HTMLParse”类来实现,请看例4:

  import javax.swing.text.html.*;

  public class HTMLParse extends HTMLEditorKit {

  public HTMLEditorKit.Parser getParser()

  {

  return super.getParser();

  }

  }

  这个类用在Spider类的“processURL”方法中,我们也会看到,Reader对象会用于读取传递到“HTMLEditorKit.Parser”中网页的内容:

  HTMLEditorKit.Parser parse = new HTMLParse().getParser();

  parse.parse(r,new Parser(url),true);

  请留意,这里又构造了一个新的Parser类,这个Parser类是一个Spider类中的内嵌类,而且还是一个回调类,它包含了对应于每种HTML tag将要调用的特定方法。在本文中,我们只需关心两类回调函数,它们分别对应一个简单tag(即不带结束tag的tag,如<br>)和一个开始tag,这两类回调函数名为“handleSimpleTag”和“handleStartTag”。因为每种的处理过程都是一样的,所以“handleStartTag”方法仅是简单地调用“handleSimpleTag”,而“handleSimpleTag”则会负责从文档中取出超链接,这些超链接将会用于定位“蜘蛛”要访问的其他页面。在当前tag被解析时,“handleSimpleTag”会检查是否存在一个“href”或超文本引用:

  String href = (String)a.getAttribute(HTML.Attribute.HREF);

  if( (href==null) && (t==HTML.Tag.FRAME) )

  href = (String)a.getAttribute(HTML.Attribute.SRC);

  if ( href==null )

  return;

  如果不存在“href”属性,会继续检查当前tag是否为一个Frame,Frame会使用一个“src”属性指向其他页面,一个典型的超链接通常为以下形式:

  <a href="linkedpage.html">Click Here</a>

  上面链接中的“href”属性指向其链接到的页面,但是“linkedpage.html”不是一个地址,它只是指定了这个Web服务器上一个页面上的某处,这称为相对URL,相对URL必须被解析为绝对URL,而这由以下代码完成:

  URL url = new URL(base,str);

  这又会构造一个URL,str为相对URL,base为这个URL上的页面,这种形式的URL类构造函数可构造一个绝对URL。在URL变为正确的绝对形式之后,通过检查它是否在等待区,来确认此URL是否已经被处理过。如果此URL没有被处理过,它会添加到等待区,之后,它会像其他URL一样被处理。

  例1:查找死链接(ChcekLinks.java)

  import java.awt.*;

  import javax.swing.*;

  import java.net.*;

  import java.io.*;

  public class CheckLinks extends javax.swing.JFrame implements

  Runnable,ISpiderReportable {

  public CheckLinks()

  {

  //{{INIT_CONTROLS

  setTitle("找到死链接");

  getContentPane().setLayout(null);

  setSize(405,288);

  setVisible(false);

  label1.setText("输入一个URL:");

  getContentPane().add(label1);

  label1.setBounds(12,12,84,12);

  begin.setText("Begin");

  begin.setActionCommand("Begin");

  getContentPane().add(begin);

  begin.setBounds(12,36,84,24);

  getContentPane().add(url);

  url.setBounds(108,36,288,24);

  errorScroll.setAutoscrolls(true);

  errorScroll.setHorizontalScrollBarPolicy(javax.swing.

  ScrollPaneConstants.HORIZONTAL_SCROLLBAR_ALWAYS);

  errorScroll.setVerticalScrollBarPolicy(javax.swing.

  ScrollPaneConstants.VERTICAL_SCROLLBAR_ALWAYS);

  errorScroll.setOpaque(true);

  getContentPane().add(errorScroll);

  errorScroll.setBounds(12,120,384,156);

  errors.setEditable(false);

  errorScroll.getViewport().add(errors);

  errors.setBounds(0,0,366,138);

  current.setText("当前处理进度:");

  getContentPane().add(current);

  current.setBounds(12,72,384,12);

  goodLinksLabel.setText("正常链接:0");

  getContentPane().add(goodLinksLabel);

  goodLinksLabel.setBounds(12,96,192,12);

  badLinksLabel.setText("死链接:0");

  getContentPane().add(badLinksLabel);

  badLinksLabel.setBounds(216,96,96,12);

  //}}

  //{{INIT_MENUS

  //}}

  //{{REGISTER_LISTENERS

  SymAction lSymAction = new SymAction();

  begin.addActionListener(lSymAction);

  //}}

  }

  /**

  *参数args未使用

  */

  static public void main(String args[])

  {

  (new CheckLinks()).setVisible(true);

  }

  /**

  *添加通知

  */

  public void addNotify()

  {

  //记录窗口尺寸并调用父类的addNotify.

  Dimension size = getSize();

  super.addNotify();

  if ( frameSizeAdjusted )

  return;

  frameSizeAdjusted = true;

  //根据菜单栏等调整Frame尺寸

  Insets insets = getInsets();

  javax.swing.JMenuBar menuBar = getRootPane().getJMenuBar();

  int menuBarHeight = 0;

  if ( menuBar != null )

  menuBarHeight = menuBar.getPreferredSize().height;

  setSize(insets.left + insets.right + size.width, insets.top +

  insets.bottom + size.height +

  menuBarHeight);

  }

  boolean frameSizeAdjusted = false;

  //{{DECLARE_CONTROLS

  javax.swing.JLabel label1 = new javax.swing.JLabel();

  javax.swing.JButton begin = new javax.swing.JButton();

  javax.swing.JTextField url = new javax.swing.JTextField();

  javax.swing.JScrollPane errorScroll =

  new javax.swing.JScrollPane();

  /**

  *存储错误信息

  */

  javax.swing.JTextArea errors = new javax.swing.JTextArea();

  javax.swing.JLabel current = new javax.swing.JLabel();

  javax.swing.JLabel goodLinksLabel = new javax.swing.JLabel();

  javax.swing.JLabel badLinksLabel = new javax.swing.JLabel();

  //}}

  //{{DECLARE_MENUS

  //}}

  /**

  *后台蜘蛛线程

  */

  protected Thread backgroundThread;

  protected Spider spider;

  protected URL base;

  protected int badLinksCount = 0;

  protected int goodLinksCount = 0;

  /**

  *用于分发事件的内部类

  */

  class SymAction implements java.awt.event.ActionListener {

  public void actionPerformed(java.awt.event.ActionEvent event)

  {

  Object object = event.getSource();

  if ( object == begin )

  begin_actionPerformed(event);

  }

  }

  /**

  *当begin或cancel按钮被点击时调用

  *

  *参数event与按钮相连

  */

  void begin_actionPerformed(java.awt.event.ActionEvent event)

  {

  if ( backgroundThread==null ) {

  begin.setLabel("Cancel");

  backgroundThread = new Thread(this);

  backgroundThread.start();

  goodLinksCount=0;

  badLinksCount=0;

  } else {

  spider.cancel();

  }

  }

  /**

  *执行后台线程操作

  */

  public void run()

  {

  try {

  errors.setText("");

  spider = new Spider(this);

  spider.clear();

  base = new URL(url.getText());

  spider.addURL(base);

  spider.begin();

  Runnable doLater = new Runnable()

  {

  public void run()

  {

  begin.setText("Begin");

  }

  };

  SwingUtilities.invokeLater(doLater);

  backgroundThread=null;

  } catch ( MalformedURLException e ) {

  UpdateErrors err = new UpdateErrors();

  err.msg = "错误地址。";

  SwingUtilities.invokeLater(err);

  }

  }

  /**

  *当找到某一URL时由蜘蛛调用,在此验证链接。

  *

  *参数base是找到链接时的页面

  *参数url是链接地址

  */

  public boolean spiderFoundURL(URL base,URL url)

  {

  UpdateCurrentStats cs = new UpdateCurrentStats();

  cs.msg = url.toString();

  SwingUtilities.invokeLater(cs);

  if ( !checkLink(url) ) {

  UpdateErrors err = new UpdateErrors();

  err.msg = url+"(on page " + base + ")\n";

  SwingUtilities.invokeLater(err);

  badLinksCount++;

  return false;

  }

  goodLinksCount++;

  if ( !url.getHost().equalsIgnoreCase(base.getHost()) )

  return false;

  else

  return true;

  }

  /**

  *当发现URL错误时调用

  *

  *参数url是导致错误的URL

  */

  public void spiderURLError(URL url)

  {

  }

  /**

  *由内部调用检查链接是否有效

  *

  *参数url是被检查的链接

  *返回True表示链接正常有效

  */

  protected boolean checkLink(URL url)

  {

  try {

  URLConnection connection = url.openConnection();

  connection.connect();

  return true;

  } catch ( IOException e ) {

  return false;

  }

  }

  /**

  *当蜘蛛找到电子邮件地址时调用

  *

  *参数email为找到的电子邮件地址

  */

  public void spiderFoundEMail(String email)

  {

  }

  /**

  *以线程安全方式更新错误信息的内部类

  */

  class UpdateErrors implements Runnable {

  public String msg;

  public void run()

  {

  errors.append(msg);

  }

  }

  /**

  *以线程安全方式更新当前状态信息

  */

  class UpdateCurrentStats implements Runnable {

  public String msg;

  public void run()

  {

  current.setText("当前进度:" + msg );

  goodLinksLabel.setText("正常链接:" + goodLinksCount);

  badLinksLabel.setText("死链接:" + badLinksCount);

  }

  }

  }

  例2:报告蜘蛛事件(ISpiderReportable.java)

  import java.net.*;

  interface ISpiderReportable {

  public boolean spiderFoundURL(URL base,URL url);

  public void spiderURLError(URL url);

  public void spiderFoundEMail(String email);

  }

  例3:可复用的蜘蛛类(Spider.java)

  import java.util.*;

  import java.net.*;

  import java.io.*;

  import javax.swing.text.*;

  import javax.swing.text.html.*;

  public class Spider {

  /**

  *导致错误的URL集合

  */

  protected Collection workloadError = new ArrayList(3);

  /**

  *等待区URL集合

  */

  protected Collection workloadWaiting = new ArrayList(3);

  /**

  *处理过的URL集合

  */

  protected Collection workloadProcessed = new ArrayList(3);

  protected ISpiderReportable report;

  /**

  *表明处理过程是否应取消的标志

  */

  protected boolean cancel = false;

  /**

  *构造函数

  *

  *参数report为实现了ISpiderReportable接口的类

  */

  public Spider(ISpiderReportable report)

  {

  this.report = report;

  }

  /**

  *获取导致错误的URL

  */

  public Collection getWorkloadError()

  {

  return workloadError;

  }

  /**

  *获取在等待的URL

  *应添加至少一个URL到此集合以启动蜘蛛

  */

  public Collection getWorkloadWaiting()

  {

  return workloadWaiting;

  }

  /**

  *获取被处理过的URL

  */

  public Collection getWorkloadProcessed()

  {

  return workloadProcessed;

  }

  /**

  *清空所有

  */

  public void clear()

  {

  getWorkloadError().clear();

  getWorkloadWaiting().clear();

  getWorkloadProcessed().clear();

  }

  /**

  *设置一标志,使begin方法在完成之前返回

  */

  public void cancel()

  {

  cancel = true;

  }

  public void addURL(URL url)

  {

  if ( getWorkloadWaiting().contains(url) )

  return;

  if ( getWorkloadError().contains(url) )

  return;

  if ( getWorkloadProcessed().contains(url) )

  return;

  log("正添加到工作区:" + url );

  getWorkloadWaiting().add(url);

  }

  public void processURL(URL url)

  {

  try {

  log("正在处理:" + url );

  //获取URL的内容

  URLConnection connection = url.openConnection();

  if ( (connection.getContentType()!=null) &&

  !connection.getContentType().toLowerCase().s

  tartsWith("text/") ) {

  getWorkloadWaiting().remove(url);

  getWorkloadProcessed().add(url);

  log("不会进行正理,因为类型为:" +

  connection.getContentType() );

  return;

  }

  //读取URL

  InputStream is = connection.getInputStream();

  Reader r = new InputStreamReader(is);

  //解析URL

  HTMLEditorKit.Parser parse = new HTMLParse().getParser();

  parse.parse(r,new Parser(url),true);

  } catch ( IOException e ) {

  getWorkloadWaiting().remove(url);

  getWorkloadError().add(url);

  log("错误:" + url );

  report.spiderURLError(url);

  return;

  }

  //标记此URL已完成

  getWorkloadWaiting().remove(url);

  getWorkloadProcessed().add(url);

  log("已完成:" + url );

  }

  public void begin()

  {

  cancel = false;

  while ( !getWorkloadWaiting().isEmpty() && !cancel ) {

  Object list[] = getWorkloadWaiting().toArray();

  for ( int i=0;(i

  processURL((URL)list[i]);

  }

  }

  /**

  *HTML解析器回调函数

  */

  protected class Parser

  extends HTMLEditorKit.ParserCallback {

  protected URL base;

  public Parser(URL base)

  {

  this.base = base;

  }

  public void handleSimpleTag(HTML.Tag t,

  MutableAttributeSet a,int pos)

  {

  String href = (String)a.getAttribute(HTML.Attribute.HREF);

  if( (href==null) && (t==HTML.Tag.FRAME) )

  href = (String)a.getAttribute(HTML.Attribute.SRC);

  if ( href==null )

  return;

  int i = href.indexOf('#');

  if ( i!=-1 )

  href = href.substring(0,i);

  if ( href.toLowerCase().startsWith("mailto:") ) {

  report.spiderFoundEMail(href);

  return;

  }

  handleLink(base,href);

  }

  public void handleStartTag(HTML.Tag t,

  MutableAttributeSet a,int pos)

  {

  handleSimpleTag(t,a,pos);//以同样的方式处理

  }

  protected void handleLink(URL base,String str)

  {

  try {

  URL url = new URL(base,str);

  if ( report.spiderFoundURL(base,url) )

  addURL(url);

  } catch ( MalformedURLException e ) {

  log("找到畸形URL:" + str );

  }

  }

  }

  /**

  *由内部调用来记录信息

  *仅是把日志写到标准输出

  *

  *参数entry为写到日志的信息

  */

  public void log(String entry)

  {

  System.out.println( (new Date()) + ":" + entry );

  }

  }

  例4:解析HTML(HTMLParse.java)

  import javax.swing.text.html.*;

  public class HTMLParse extends HTMLEditorKit {

  public HTMLEditorKit.Parser getParser()

  {

  return super.getParser();

  }

  }