java实现简单爬虫（httpclient+htmlparser）
该程序需要提供一个种子（一个URl地址）作为其实页面，通过分析该页面，将页面上涉及到的url地址爬取到，从而理论上实现爬虫的原来。
先用一个图来说明该程序的工作流程
在这个程序中存在俩个数据结构，一个是一个队列，该队列存放的是带分析的url，称作UrlQueue.另外一个是一个hashset，该数据结构是存放已经访问过的url。一个url从urlQueue中出队，通过判断看看是否已经存在，若不存在则用htmlparser解析出该页面包含的地址，并且将这些子url进队，对该url的处理是将他存入文件系统利用httpclient完成。该程序需要httpClient和htmlparser相应的包
下面试两个数据结构的代码
package crawler.store;
import java.util.LinkedList;
/**
* UrlQueue数据结构用来储存需要进行分析的Url
* 该结构是一个队列
* @author Xinyuyu
*
*/
class UrlQueue {
private LinkedList<String> urlQueue = new LinkedList<String>();
// 进队
void inQueue(String url){
urlQueue.addLast(url);
}
// 出队
String outQueue(){
return urlQueue.removeFirst();
}
// 判断是否队列是否为空
boolean queueIsEmpty(){
return urlQueue.isEmpty();
}
// 返回队列的元素数
int queueNum(){
return urlQueue.size();
}
// 判断队列是否包含某元素
public boolean contains(String url){
return urlQueue.contains(url);
}
}package crawler.store;
import java.util.HashSet;
import java.util.Set;
/**
* UrlPool数据结构是用来存放已经访问过的url信息
* 该结构是一个HashSet
* 一部分完成对自己的操作，一部分完成对UrlQueue的操作(判断是否已经存在，将没有访问过的入队)
* @author Xinyuyu
*
*/
public class UrlPool {
private static Set<String> urlPool = new HashSet<String>();
private static UrlQueue urlQueue = new UrlQueue();
/*
* 完成自身的操作
*/
// 增加元素
public static UrlQueue getQueue(){
return urlQueue;
}
public static void addPool(String url){
urlPool.add(url);
}
// 删除元素
public static void removePool(String url){
urlPool.remove(url);
}
// 判断是否包含
public static boolean poolContains(String url){
return urlPool.contains(url);
}
// 返回元素个数
public static int poolNum(){
return urlPool.size();
}
/*
* 完成对UrlQueue的操作
*/
//判断pool中是否包含url,不包含就入队
public static void inQueue(String url){
if(url != null && !url.trim().equals("") && !urlPool.contains(url)){
urlQueue.inQueue(url);
}
}
// 完成出队
public static String outQueue(){
return urlQueue.outQueue();
}
// 返回队列元素个数
public static int queueNum(){
return urlQueue.queueNum();
}
// 判断urlQueue是否为空
public static boolean queueIsEmpty(){
return urlQueue.queueIsEmpty();
}
// 判断队列中是否包含元素
public static boolean queueContains(String url){
return urlQueue.contains(url);
}
}接着是一个下载网页的类，该类引用了httpclient包
package crawler.utill;
import java.io.DataOutputStream;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import org.apache.commons.httpclient.DefaultHttpMethodRetryHandler;
import org.apache.commons.httpclient.HttpClient;
import org.apache.commons.httpclient.HttpException;
import org.apache.commons.httpclient.HttpStatus;
import org.apache.commons.httpclient.methods.GetMethod;
import org.apache.commons.httpclient.params.HttpMethodParams;
/**
* 将没有访问过的url的内容存储到文件系统中去
*
* @author Xinyuyu
*
*/
public class DownloadFile {
// 构造存储的文件名称（去除url中不能作为文件名的字符）
public String getFileName(String url, String contentType) {
String fileName = "";
if (contentType.contains("html"))
fileName = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html";
else
// 将类似text/html的字符串截取出文件类型后缀
fileName = url.replaceAll("[\\?/:*|<>\"]", "_") + "."
+ contentType.substring(contentType.indexOf("/") + 1);
return fileName;
}
// 一个写文件的方法
public void saveToLocal(byte[] content, String filePath) {
try {
DataOutputStream out = new DataOutputStream(new FileOutputStream(
new File(filePath)));
for (int i = 0; i < content.length; i++) {
try {
out.write(content[i]);
} catch (IOException e) {
System.err.println("write error");
e.printStackTrace();
}
}
if (out != null) {
try {
out.close();
} catch (IOException e) {
System.err.println("close error");
e.printStackTrace();
}
}
} catch (FileNotFoundException e) {
System.err.println("out error");
e.printStackTrace();
}
}
// 将page的内容写入文件系统
public String downloadFile(String url) {
String fileName = "";
HttpClient httpClient = new HttpClient();
// 设置HttpClient的连接管理对象，设置 HTTP连接超时5s
httpClient.getHttpConnectionManager().getParams()
.setConnectionTimeout(5000);
if (url.indexOf("http") != -1) {
GetMethod getMethod = new GetMethod(url);
// 作用是什么？
getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT,
5000);
getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,
new DefaultHttpMethodRetryHandler());
try {
int statut = httpClient.executeMethod(getMethod);
if (statut != HttpStatus.SC_OK)
System.err.println("Method failed: "
+ getMethod.getStatusLine());
else {
byte[] content = getMethod.getResponseBody();
fileName = "e:\\temp\\"
+ getFileName(url,
getMethod.getResponseHeader("Content-Type")
.getValue());
saveToLocal(content, fileName);
System.out.println(url + "::" + fileName);
}
} catch (HttpException e) {
System.err.println("getmethod error");
e.printStackTrace();
} catch (IOException e) {
System.err.println("io error");
e.printStackTrace();
}
}
return fileName;
}
}下面是分析url的类
package crawler.utill;
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;
/**
* 完成对要分析的page包含的地址的提取
* 将提取的地址放入到一个集合中去
* @author Xinyuyu
*
*/
public class HtmlParser {
private Set<String> links = new HashSet<String>();
public Set<String> extraLinks(String path){
// 需要两个过滤器，一个过滤掉<frame src=>和<a href>标签
@SuppressWarnings("serial")
NodeFilter nodeFiler = new NodeFilter(){
public boolean accept(Node node) {
if(node.getText().startsWith("fram src="))
return true;
else
return false;
}
};
NodeFilter tagFilter = new NodeClassFilter(LinkTag.class);
OrFilter orFilter = new OrFilter(nodeFiler, tagFilter);
try {
Parser parser = new Parser(path);
NodeList nodes = parser.extractAllNodesThatMatch(orFilter);
if(nodes != null){
for(int i = 0; i < nodes.size(); i++){
Node node = nodes.elementAt(i);
if(node instanceof LinkTag)
links.add(((LinkTag) node).getLink());
else{
// 形如<frame src="test.html">
String frame = node.getText();
int start = frame.indexOf("src=");
frame = frame.substring(start);
int end = frame.indexOf(">");
if(end == -1){
end = frame.indexOf(" ");
}
frame = frame.substring(5, end - 1);
}
}
}
} catch (ParserException e) {
System.err.println("extra error");
e.printStackTrace();
}
return links;
}
}最后是初始化爬虫的类
package crawler.main;
import java.util.Set;
import crawler.store.UrlPool;
import crawler.utill.DownloadFile;
import crawler.utill.HtmlParser;
/**
* 实例化一个crwler需要一个种子
* @author Xinyuyu
*
*/
public class CrawlerAction {
private void initCrawler(String [] seeds){
for(int i = 0; i < seeds.length; i++){
UrlPool.inQueue(seeds[i]);
}
}
public CrawlerAction(String [] seeds){
initCrawler(seeds);
System.out.println(UrlPool.queueNum());
// 若urlpool中的元素超过1000并队列中的元素不为空的时候虚幻
while(UrlPool.queueNum() > 0 && UrlPool.poolNum() < 1000){
String visitUrl = UrlPool.outQueue();
if(visitUrl == null)
continue;
DownloadFile downloadFile = new DownloadFile();
String filePath = downloadFile.downloadFile(visitUrl);
UrlPool.addPool(visitUrl);
HtmlParser htmlParser = new HtmlParser();
Set<String> links = htmlParser.extraLinks(visitUrl);
// 若urlpool中不包含该链接的时候就入队
for(String link : links){
UrlPool.inQueue(link);
}
System.out.println(visitUrl + "::" + filePath);
}
}
}运行程序
package crawler.main;
public class CrawlerMain {
public static void main(String [] args){
String [] seeds = {"http://www.coderanch.com/t/63473/open-source/host-parameter-null-httpclient"};
CrawlerAction crawler = new CrawlerAction(seeds);
}
}这样就可以运行这个简单的爬虫程序了。
书 名：自己动手写网络爬虫
作 者：罗刚
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
