转载自 零基础写Java知乎爬虫之进阶篇

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 5shttpClient.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 5sgetMethod.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;@Overridepublic 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();// URLif (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;elsereturn 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 1000while (!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 URLSet<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：

以上就是java使用HttpClient工具包和宽度爬虫进行抓取内容的操作的全部内容，稍微复杂点，小伙伴们要仔细琢磨下哦，希望对大家能有所帮助