[转] [Java] 知乎下巴第5集：使用HttpClient工具包和宽度爬虫

原文地址:http://blog.csdn.net/pleasecallmewhy/article/details/18010015

下载地址：https://code.csdn.net/wxg694175346/zhihudown

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，下载地址点击这里。

接下来我们使用HttpClient简单的写一个爬去百度的Demo：

1. import java.io.FileOutputStream;
2. import java.io.InputStream;
3. import java.io.OutputStream;
4. import org.apache.commons.httpclient.HttpClient;
5. import org.apache.commons.httpclient.HttpStatus;
6. import org.apache.commons.httpclient.methods.GetMethod;
7. /**
8. *
9. * @author CallMeWhy
10. *
11. */
12. public class Spider {
13. private static HttpClient httpClient = new HttpClient();
14. /**
15. * @param path
16. *            目标网页的链接
17. * @return 返回布尔值，表示是否正常下载目标页面
18. * @throws Exception
19. *             读取网页流或写入本地文件流的IO异常
20. */
21. public static boolean downloadPage(String path) throws Exception {
22. // 定义输入输出流
23. InputStream input = null;
24. OutputStream output = null;
25. // 得到 post 方法
26. GetMethod getMethod = new GetMethod(path);
27. // 执行，返回状态码
28. int statusCode = httpClient.executeMethod(getMethod);
29. // 针对状态码进行处理
30. // 简单起见，只处理返回值为 200 的状态码
31. if (statusCode == HttpStatus.SC_OK) {
32. input = getMethod.getResponseBodyAsStream();
33. // 通过对URL的得到文件名
34. String filename = path.substring(path.lastIndexOf('/') + 1)
35. + ".html";
36. // 获得文件输出流
37. output = new FileOutputStream(filename);
38. // 输出到文件
39. int tempByte = -1;
40. while ((tempByte = input.read()) > 0) {
41. output.write(tempByte);
42. }
43. // 关闭输入流
44. if (input != null) {
45. input.close();
46. }
47. // 关闭输出流
48. if (output != null) {
49. output.close();
50. }
51. return true;
52. }
53. return false;
54. }
55. public static void main(String[] args) {
56. try {
57. // 抓取百度首页，输出
58. Spider.downloadPage("http://www.baidu.com");
59. } catch (Exception e) {
60. e.printStackTrace();
61. }
62. }
63. }

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：

1. import java.util.LinkedList;
2. /**
3. * 自定义队列类 保存TODO表
4. */
5. public class Queue {
6. /**
7. * 定义一个队列，使用LinkedList实现
8. */
9. private LinkedList<Object> queue = new LinkedList<Object>(); // 入队列
10. /**
11. * 将t加入到队列中
12. */
13. public void enQueue(Object t) {
14. queue.addLast(t);
15. }
16. /**
17. * 移除队列中的第一项并将其返回
18. */
19. public Object deQueue() {
20. return queue.removeFirst();
21. }
22. /**
23. * 返回队列是否为空
24. */
25. public boolean isQueueEmpty() {
26. return queue.isEmpty();
27. }
28. /**
29. * 判断并返回队列是否包含t
30. */
31. public boolean contians(Object t) {
32. return queue.contains(t);
33. }
34. /**
35. * 判断并返回队列是否为空
36. */
37. public boolean empty() {
38. return queue.isEmpty();
39. }
40. }

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：

1. import java.util.HashSet;
2. import java.util.Set;
3. /**
4. * 自定义类 保存Visited表和unVisited表
5. */
6. public class SpiderQueue {
7. /**
8. * 已访问的url集合，即Visited表
9. */
10. private static Set<Object> visitedUrl = new HashSet<>();
11. /**
12. * 添加到访问过的 URL 队列中
13. */
14. public static void addVisitedUrl(String url) {
15. visitedUrl.add(url);
16. }
17. /**
18. * 移除访问过的 URL
19. */
20. public static void removeVisitedUrl(String url) {
21. visitedUrl.remove(url);
22. }
23. /**
24. * 获得已经访问的 URL 数目
25. */
26. public static int getVisitedUrlNum() {
27. return visitedUrl.size();
28. }
29. /**
30. * 待访问的url集合，即unVisited表
31. */
32. private static Queue unVisitedUrl = new Queue();
33. /**
34. * 获得UnVisited队列
35. */
36. public static Queue getUnVisitedUrl() {
37. return unVisitedUrl;
38. }
39. /**
40. * 未访问的unVisitedUrl出队列
41. */
42. public static Object unVisitedUrlDeQueue() {
43. return unVisitedUrl.deQueue();
44. }
45. /**
46. * 保证添加url到unVisitedUrl的时候每个 URL只被访问一次
47. */
48. public static void addUnvisitedUrl(String url) {
49. if (url != null && !url.trim().equals("") && !visitedUrl.contains(url)
50. && !unVisitedUrl.contians(url))
51. unVisitedUrl.enQueue(url);
52. }
53. /**
54. * 判断未访问的 URL队列中是否为空
55. */
56. public static boolean unVisitedUrlsEmpty() {
57. return unVisitedUrl.empty();
58. }
59. }

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：

1. package controller;
2. import java.io.*;
3. import org.apache.commons.httpclient.*;
4. import org.apache.commons.httpclient.methods.*;
5. import org.apache.commons.httpclient.params.*;
6. public class DownTool {
7. /**
8. * 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
9. */
10. private String getFileNameByUrl(String url, String contentType) {
11. // 移除 "http://" 这七个字符
12. url = url.substring(7);
13. // 确认抓取到的页面为 text/html 类型
14. if (contentType.indexOf("html") != -1) {
15. // 把所有的url中的特殊符号转化成下划线
16. url = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html";
17. } else {
18. url = url.replaceAll("[\\?/:*|<>\"]", "_") + "."
19. + contentType.substring(contentType.lastIndexOf("/") + 1);
20. }
21. return url;
22. }
23. /**
24. * 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
25. */
26. private void saveToLocal(byte[] data, String filePath) {
27. try {
28. DataOutputStream out = new DataOutputStream(new FileOutputStream(
29. new File(filePath)));
30. for (int i = 0; i < data.length; i++)
31. out.write(data[i]);
32. out.flush();
33. out.close();
34. } catch (IOException e) {
35. e.printStackTrace();
36. }
37. }
38. // 下载 URL 指向的网页
39. public String downloadFile(String url) {
40. String filePath = null;
41. // 1.生成 HttpClinet对象并设置参数
42. HttpClient httpClient = new HttpClient();
43. // 设置 HTTP连接超时 5s
44. httpClient.getHttpConnectionManager().getParams()
45. .setConnectionTimeout(5000);
46. // 2.生成 GetMethod对象并设置参数
47. GetMethod getMethod = new GetMethod(url);
48. // 设置 get请求超时 5s
49. getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000);
50. // 设置请求重试处理
51. getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,
52. new DefaultHttpMethodRetryHandler());
53. // 3.执行GET请求
54. try {
55. int statusCode = httpClient.executeMethod(getMethod);
56. // 判断访问的状态码
57. if (statusCode != HttpStatus.SC_OK) {
58. System.err.println("Method failed: "
59. + getMethod.getStatusLine());
60. filePath = null;
61. }
62. // 4.处理 HTTP 响应内容
63. byte[] responseBody = getMethod.getResponseBody();// 读取为字节数组
64. // 根据网页 url 生成保存时的文件名
65. filePath = "temp\\"
66. + getFileNameByUrl(url,
67. getMethod.getResponseHeader("Content-Type")
68. .getValue());
69. saveToLocal(responseBody, filePath);
70. } catch (HttpException e) {
71. // 发生致命的异常，可能是协议不对或者返回的内容有问题
72. System.out.println("请检查你的http地址是否正确");
73. e.printStackTrace();
74. } catch (IOException e) {
75. // 发生网络异常
76. e.printStackTrace();
77. } finally {
78. // 释放连接
79. getMethod.releaseConnection();
80. }
81. return filePath;
82. }
83. }

在这里我们需要一个HtmlParserTool类来处理Html标记：

1. package controller;
2. import java.util.HashSet;
3. import java.util.Set;
4. import org.htmlparser.Node;
5. import org.htmlparser.NodeFilter;
6. import org.htmlparser.Parser;
7. import org.htmlparser.filters.NodeClassFilter;
8. import org.htmlparser.filters.OrFilter;
9. import org.htmlparser.tags.LinkTag;
10. import org.htmlparser.util.NodeList;
11. import org.htmlparser.util.ParserException;
12. import model.LinkFilter;
13. public class HtmlParserTool {
14. // 获取一个网站上的链接，filter 用来过滤链接
15. public static Set<String> extracLinks(String url, LinkFilter filter) {
16. Set<String> links = new HashSet<String>();
17. try {
18. Parser parser = new Parser(url);
19. parser.setEncoding("gb2312");
20. // 过滤 <frame >标签的 filter，用来提取 frame 标签里的 src 属性
21. NodeFilter frameFilter = new NodeFilter() {
22. private static final long serialVersionUID = 1L;
23. @Override
24. public boolean accept(Node node) {
25. if (node.getText().startsWith("frame src=")) {
26. return true;
27. } else {
28. return false;
29. }
30. }
31. };
32. // OrFilter 来设置过滤 <a> 标签和 <frame> 标签
33. OrFilter linkFilter = new OrFilter(new NodeClassFilter(
34. LinkTag.class), frameFilter);
35. // 得到所有经过过滤的标签
36. NodeList list = parser.extractAllNodesThatMatch(linkFilter);
37. for (int i = 0; i < list.size(); i++) {
38. Node tag = list.elementAt(i);
39. if (tag instanceof LinkTag)// <a> 标签
40. {
41. LinkTag link = (LinkTag) tag;
42. String linkUrl = link.getLink();// URL
43. if (filter.accept(linkUrl))
44. links.add(linkUrl);
45. } else// <frame> 标签
46. {
47. // 提取 frame 里 src 属性的链接， 如 <frame src="test.html"/>
48. String frame = tag.getText();
49. int start = frame.indexOf("src=");
50. frame = frame.substring(start);
51. int end = frame.indexOf(" ");
52. if (end == -1)
53. end = frame.indexOf(">");
54. String frameUrl = frame.substring(5, end - 1);
55. if (filter.accept(frameUrl))
56. links.add(frameUrl);
57. }
58. }
59. } catch (ParserException e) {
60. e.printStackTrace();
61. }
62. return links;
63. }
64. }

最后我们来写个爬虫类调用前面的封装类和函数：

1. package controller;
2. import java.util.Set;
3. import model.LinkFilter;
4. import model.SpiderQueue;
5. public class BfsSpider {
6. /**
7. * 使用种子初始化URL队列
8. */
9. private void initCrawlerWithSeeds(String[] seeds) {
10. for (int i = 0; i < seeds.length; i++)
11. SpiderQueue.addUnvisitedUrl(seeds[i]);
12. }
13. // 定义过滤器，提取以 http://www.xxxx.com开头的链接
14. public void crawling(String[] seeds) {
15. LinkFilter filter = new LinkFilter() {
16. public boolean accept(String url) {
17. if (url.startsWith("http://www.baidu.com"))
18. return true;
19. else
20. return false;
21. }
22. };
23. // 初始化 URL 队列
24. initCrawlerWithSeeds(seeds);
25. // 循环条件：待抓取的链接不空且抓取的网页不多于 1000
26. while (!SpiderQueue.unVisitedUrlsEmpty()
27. && SpiderQueue.getVisitedUrlNum() <= 1000) {
28. // 队头 URL 出队列
29. String visitUrl = (String) SpiderQueue.unVisitedUrlDeQueue();
30. if (visitUrl == null)
31. continue;
32. DownTool downLoader = new DownTool();
33. // 下载网页
34. downLoader.downloadFile(visitUrl);
35. // 该 URL 放入已访问的 URL 中
36. SpiderQueue.addVisitedUrl(visitUrl);
37. // 提取出下载网页中的 URL
38. Set<String> links = HtmlParserTool.extracLinks(visitUrl, filter);
39. // 新的未访问的 URL 入队
40. for (String link : links) {
41. SpiderQueue.addUnvisitedUrl(link);
42. }
43. }
44. }
45. // main 方法入口
46. public static void main(String[] args) {
47. BfsSpider crawler = new BfsSpider();
48. crawler.crawling(new String[] { "http://www.baidu.com" });
49. }
50. }

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：