java实现简单爬虫（httpclient+htmlparser）

浏览数：17 / 时间：2015年06月08日

　　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);
    }
}