开发者社区> 长征4号> 正文

Java网络爬虫的实现

简介:
+关注继续查看

记得在刚找工作时,隔壁的一位同学在面试时豪言壮语曾实现过网络爬虫,当时的景仰之情犹如滔滔江水连绵不绝。后来,在做图片搜索时,需要大量的测试图片, 因此萌生了从Amazon中爬取图书封面图片的想法,从网上也吸取了一些前人的经验,实现了一个简单但足够用的爬虫系统。

网络爬虫是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成,其基本架构如下图所示:

 

 

传统爬虫从一个或若干初始网页的URL开始,获得初始网页上的URL,在抓取网页的过程中,不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。对于垂直搜索来说,聚焦爬虫,即有针对性地爬取特定主题网页的爬虫,更为适合。

本文爬虫程序的核心代码如下:

Java代码

 

 

  1. public void crawl() throws Throwable {     
  2.     while (continueCrawling()) {     
  3.         CrawlerUrl url = getNextUrl(); //获取待爬取队列中的下一个URL     
  4.         if (url != null) {     
  5.             printCrawlInfo();      
  6.             String content = getContent(url); //获取URL的文本信息     
  7.                  
  8.             //聚焦爬虫只爬取与主题内容相关的网页,这里采用正则匹配简单处理     
  9.             if (isContentRelevant(content, this.regexpSearchPattern)) {     
  10.                 saveContent(url, content); //保存网页至本地     
  11.     
  12.                 //获取网页内容中的链接,并放入待爬取队列中     
  13.                 Collection urlStrings = extractUrls(content, url);     
  14.                 addUrlsToUrlQueue(url, urlStrings);     
  15.             } else {     
  16.                 System.out.println(url + " is not relevant ignoring ...");     
  17.             }     
  18.     
  19.             //延时防止被对方屏蔽     
  20.             Thread.sleep(this.delayBetweenUrls);     
  21.         }     
  22.     }     
  23.     closeOutputStream();     
  24. }    

 

整个函数由getNextUrl、getContent、isContentRelevant、extractUrls、addUrlsToUrlQueue等几个核心方法组成,下面将一一介绍。先看getNextUrl:

Java代码

 

复制代码

 

 

  1. private CrawlerUrl getNextUrl() throws Throwable {     
  2.     CrawlerUrl nextUrl = null;     
  3.     while ((nextUrl == null) && (!urlQueue.isEmpty())) {     
  4.         CrawlerUrl crawlerUrl = this.urlQueue.remove();     
  5.                     
  6.         //doWeHavePermissionToVisit:是否有权限访问该URL,友好的爬虫会根据网站提供的"Robot.txt"中配置的规则进行爬取     
  7.         //isUrlAlreadyVisited:URL是否访问过,大型的搜索引擎往往采用BloomFilter进行排重,这里简单使用HashMap     
  8.         //isDepthAcceptable:是否达到指定的深度上限。爬虫一般采取广度优先的方式。一些网站会构建爬虫陷阱(自动生成一些无效链接使爬虫陷入死循环),采用深度限制加以避免     
  9.         if (doWeHavePermissionToVisit(crawlerUrl)     
  10.             && (!isUrlAlreadyVisited(crawlerUrl))      
  11.             && isDepthAcceptable(crawlerUrl)) {     
  12.             nextUrl = crawlerUrl;     
  13.             // System.out.println("Next url to be visited is " + nextUrl);     
  14.         }     
  15.     }     
  16.     return nextUrl;     
  17. }   

 

更多的关于robot.txt的具体写法,可参考以下这篇文章:

http://www.bloghuman.com/post/67/

getContent内部使用apache的httpclient 4.1获取网页内容,具体代码如下:

Java代码

 

 

  1. private String getContent(CrawlerUrl url) throws Throwable {     
  2.     //HttpClient4.1的调用与之前的方式不同     
  3.     HttpClient client = new DefaultHttpClient();     
  4.     HttpGet httpGet = new HttpGet(url.getUrlString());     
  5.     StringBuffer strBuf = new StringBuffer();     
  6.     HttpResponse response = client.execute(httpGet);     
  7.     if (HttpStatus.SC_OK == response.getStatusLine().getStatusCode()) {     
  8.         HttpEntity entity = response.getEntity();     
  9.         if (entity != null) {     
  10.             BufferedReader reader = new BufferedReader(     
  11.                 new InputStreamReader(entity.getContent(), "UTF-8"));     
  12.             String line = null;     
  13.             if (entity.getContentLength() > 0) {     
  14.                 strBuf = new StringBuffer((int) entity.getContentLength());     
  15.                 while ((line = reader.readLine()) != null) {     
  16.                     strBuf.append(line);     
  17.                 }     
  18.             }     
  19.         }     
  20.         if (entity != null) {     
  21.             entity.consumeContent();     
  22.         }     
  23.     }     
  24.     //将url标记为已访问     
  25.     markUrlAsVisited(url);     
  26.     return strBuf.toString();     
  27. }    

 

对于垂直型应用来说,数据的准确性往往更为重要。聚焦型爬虫的主要特点是,只收集和主题相关的数据,这就是isContentRelevant方法的作用。这里或许要使用分类预测技术,为简单起见,采用正则匹配来代替。其主要代码如下:

Java代码

 

 

  1. public static boolean isContentRelevant(String content,     
  2. Pattern regexpPattern) {     
  3.     boolean retValue = false;     
  4.     if (content != null) {     
  5.         //是否符合正则表达式的条件     
  6.         Matcher m = regexpPattern.matcher(content.toLowerCase());     
  7.         retValue = m.find();     
  8.     }     
  9.     return retValue;     
  10. }    

 

extractUrls的主要作用,是从网页中获取更多的URL,包括内部链接和外部链接,代码如下:

Java代码

 

 

  1. public List extractUrls(String text, CrawlerUrl crawlerUrl) {     
  2.     Map urlMap = new HashMap();     
  3.     extractHttpUrls(urlMap, text);     
  4.     extractRelativeUrls(urlMap, text, crawlerUrl);     
  5.     return new ArrayList(urlMap.keySet());     
  6. }     
  7.     
  8. //处理外部链接     
  9. private void extractHttpUrls(Map urlMap, String text) {     
  10.     Matcher m = httpRegexp.matcher(text);     
  11.     while (m.find()) {     
  12.         String url = m.group();     
  13.         String[] terms = url.split("a href=\"");     
  14.         for (String term : terms) {     
  15.             // System.out.println("Term = " + term);     
  16.             if (term.startsWith("http")) {     
  17.                 int index = term.indexOf("\"");     
  18.                 if (index > 0) {     
  19.                     term = term.substring(0, index);     
  20.                 }     
  21.                 urlMap.put(term, term);     
  22.                 System.out.println("Hyperlink: " + term);     
  23.             }     
  24.         }     
  25.     }     
  26. }     
  27.     
  28. //处理内部链接     
  29. private void extractRelativeUrls(Map urlMap, String text,     
  30.         CrawlerUrl crawlerUrl) {     
  31.     Matcher m = relativeRegexp.matcher(text);     
  32.     URL textURL = crawlerUrl.getURL();     
  33.     String host = textURL.getHost();     
  34.     while (m.find()) {     
  35.         String url = m.group();     
  36.         String[] terms = url.split("a href=\"");     
  37.         for (String term : terms) {     
  38.             if (term.startsWith("/")) {     
  39.                 int index = term.indexOf("\"");     
  40.                 if (index > 0) {     
  41.                     term = term.substring(0, index);     
  42.                 }     
  43.                 String s = "http://" + host + term;     
  44.                 urlMap.put(s, s);     
  45.                 System.out.println("Relative url: " + s);     
  46.             }     
  47.         }     
  48.     }     
  49.     
  50. }    

 

如此,便构建了一个简单的网络爬虫程序,可以使用以下程序来测试它:

Java代码

 

 

  1. public static void main(String[] args) {     
  2.     try {     
  3.         String url = "http://www.amazon.com";     
  4.         Queue urlQueue = new LinkedList();     
  5.         String regexp = "java";     
  6.         urlQueue.add(new CrawlerUrl(url, 0));     
  7.         NaiveCrawler crawler = new NaiveCrawler(urlQueue, 1005, 1000L,     
  8.                 regexp);     
  9.         // boolean allowCrawl = crawler.areWeAllowedToVisit(url);     
  10.         // System.out.println("Allowed to crawl: " + url + " " +     
  11.         // allowCrawl);     
  12.         crawler.crawl();     
  13.     } catch (Throwable t) {     
  14.         System.out.println(t.toString());     
  15.         t.printStackTrace();     
  16.     }     
  17. }    

 

当然,你可以为它赋予更为高级的功能,比如多线程、更智能的聚焦、结合Lucene建立索引等等。更为复杂的情况,可以考虑使用一些开源的蜘蛛程序,比如Nutch或是Heritrix等等,就不在本文的讨论范围了。

来源:http://blog.csdn.net/catherineruirui/article/details/7467365




本文转自夏雪冬日博客园博客,原文链接:XXXXXX,如需转载请自行联系原作者

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
Java网络编程--套接字Socket
一、套接字Socket IP地址标志Internet上的计算机,端口号标志正在计算机上运行的进程(程序)。 端口号被规定为一个16位的0--65535之间的整数,其中,0--1023被预先定义的服务通信占用。
558 0
05.Java网络编程(代码实践)
计算机网络是指将地理位置不同的具有独立功能的多台计算机及其外部设备,通过通信线路链接起来,在网络操作系统,网络管理软件及网络通信协议的协调下,实现资源贡献和信息传递的计算机系统 网络编程就是用来实现网络互连的不同计算机上运行的程序间可以进行数据交换 网...
820 0
06.Java网络编程(java GUI实现的聊天界面)
目前测试存在两个问题 1.最初是继承Frame来实现界面显示,后来发现,界面中部分控件存在时而显示时而不显示的问题,查找资料之后,将Frame修为JFrame,并且修改setVisible的时机,界面显示的问题解决,不显示的原因,有一种说法就是注释中提到的 2.
1242 0
+关注
541
文章
0
问答
文章排行榜
最热
最新
相关电子书
更多
JS零基础入门教程(上册)
立即下载
性能优化方法论
立即下载
手把手学习日志服务SLS,云启实验室实战指南
立即下载