•  广告位
  •  
  •  最新新闻列表
  •  
  •  图片新闻
  •  
 > 头条新闻 >

Java网络爬虫的实现

文章发布时间:2015/5/27 18:20:08



佛家、儒家、道家养生的联系与区别【日常用语的英文翻译】很潮很实用戯鴻堂法書(十二)脾虚多按太白穴,功效等同于喝薏米山药粥工业设计英国读研学校选择?

什么是不可逾越的“胡焕庸线”?如何在WORD中添加4线格英文练习本模板“求两线段长度之和的最小值”问题全解析80件玉成窑紫砂器欣赏【转】钩制漂亮的小花朵任何东西都不能以健康做交换中国民乐极品笛曲精选112首祖传秘方:小儿慢性咽炎百治九八效玄参二冬煎教你用PS为人物换衣服的方法韩国电影《看录像的男人》高清完整版凤凰独家图解:你想不到的公职人员违纪行为民间验方秘方集锦(一)亲爱的我也爱上你了人生感悟之十需十大十气十懂台媒:日本注定不是中国对手美阻其“正常化”蝶恋花〖极品美图〗国军将领讽李宗仁白崇禧是败类:抗战广西成独立王国历史上的蒋介石(之一至五)【品茶】中国十大名茶及冲泡方法【苍穹散文诗】漫漫旅途,演绎别样的精彩10分钟快速学会五笔打字的方法生菜豆皮卷各种美好的纸艺作品简约舒适退休宅未来十年俄罗斯的周围世界

微波炉的妙用-微波炉在生活中的用途你是我最深的思念高层开会时会上聊什么未来十年俄罗斯的周围世界

Java网络爬虫的实现

2011-03-09 10:07 grunt1223 JavaEye博客 我要评论(11) 字号:T | T
一键收藏,随时查看,分享好友!

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。

AD:

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。




不存在相应的目录