Java简单的网络爬虫实现

最近在学习搜索方面的东西，需要了解网络爬虫方面的知识，虽然有很多开源的强大的爬虫，但本着学习的态度，自己写了一个简单的网络爬虫，以便了解其中原理。

首先介绍每个类的功能：

DownloadPage.java的功能是下载此超链接的页面源代码.

FunctionUtils.java的功能是提供不同的静态方法，包括：页面链接正则表达式匹配,获取URL链接的元素,判断是否创建文件,获取页面的Url并将其转换为规范的Url,截取网页网页源文件的目标内容。

HrefOfPage.java的功能是获取页面源代码的超链接。

UrlDataHanding.java的功能是整合各个给类，实现url到获取数据到数据处理类。

UrlQueue.java的未访问Url队列。

VisitedUrlQueue.java已访问过的URL队列。

下面介绍一下每个类的源代码：

DownloadPage.java此类要用到HttpClient组件。

package com.sreach.spider;  
   
 import java.io.IOException;  
 import org.apache.http.HttpEntity;  
 import org.apache.http.HttpResponse;  
 import org.apache.http.client.ClientProtocolException;  
 import org.apache.http.client.HttpClient;  
 import org.apache.http.client.methods.HttpGet;  
 import org.apache.http.impl.client.DefaultHttpClient;  
 import org.apache.http.util.EntityUtils;  
   
 public class DownloadPage  
 {  
   
     /**  
      * 根据URL抓取网页内容  
      *   
      * @param url  
      * @return  
      */ 
     public static String getContentFormUrl(String url)  
     {  
         /* 实例化一个HttpClient客户端 */ 
         HttpClient client = new DefaultHttpClient();  
         HttpGet getHttp = new HttpGet(url);  
   
         String content = null;  
   
         HttpResponse response;  
         try 
         {  
             /*获得信息载体*/ 
             response = client.execute(getHttp);  
             HttpEntity entity = response.getEntity();  
   
             VisitedUrlQueue.addElem(url);  
   
             if (entity != null)  
             {  
                 /* 转化为文本信息 */ 
                 content = EntityUtils.toString(entity);  
   
                 /* 判断是否符合下载网页源代码到本地的条件 */ 
                 if (FunctionUtils.isCreateFile(url)  
                         && FunctionUtils.isHasGoalContent(content) != -1)  
                 {  
                     FunctionUtils.createFile(FunctionUtils  
                             .getGoalContent(content), url);  
                 }  
             }  
   
         } catch (ClientProtocolException e)  
         {  
             e.printStackTrace();  
         } catch (IOException e)  
         {  
             e.printStackTrace();  
         } finally 
         {  
             client.getConnectionManager().shutdown();  
         }  
           
         return content;  
     }  
   
 }

FunctionUtils.java此类的方法均为static方法

package com.sreach.spider;  
 
import java.io.BufferedWriter;  
import java.io.File;  
import java.io.FileOutputStream;  
import java.io.IOException;  
import java.io.OutputStreamWriter;  
import java.util.regex.Matcher;  
import java.util.regex.Pattern;  
 
public class FunctionUtils  
{  
 
    /**  
     * 匹配超链接的正则表达式  
     */ 
    private static String pat = "http://www\\.oschina\\.net/code/explore/.*/\\w+\\.[a-zA-Z]+";  
    private static Pattern pattern = Pattern.compile(pat);  
 
    private static BufferedWriter writer = null;  
 
    /**  
     * 爬虫搜索深度  
     */ 
    public static int depth = 0;  
 
    /**  
     * 以"/"来分割URL,获得超链接的元素  
     *   
     * @param url  
     * @return  
     */ 
    public static String[] divUrl(String url)  
    {  
        return url.split("/");  
    }  
 
    /**  
     * 判断是否创建文件  
     *   
     * @param url  
     * @return  
     */ 
    public static boolean isCreateFile(String url)  
    {  
        Matcher matcher = pattern.matcher(url);  
 
        return matcher.matches();  
    }  
 
    /**  
     * 创建对应文件  
     *   
     * @param content  
     * @param urlPath  
     */ 
    public static void createFile(String content, String urlPath)  
    {  
        /* 分割url */ 
        String[] elems = divUrl(urlPath);  
        StringBuffer path = new StringBuffer();  
 
        File file = null;  
        for (int i = 1; i < elems.length; i++)  
        {  
            if (i != elems.length - 1)  
            {  
 
                path.append(elems[i]);  
                path.append(File.separator);  
                file = new File("D:" + File.separator + path.toString());  
 
            }  
 
            if (i == elems.length - 1)  
            {  
                Pattern pattern = Pattern.compile("\\w+\\.[a-zA-Z]+");  
                Matcher matcher = pattern.matcher(elems[i]);  
                if ((matcher.matches()))  
                {  
                    if (!file.exists())  
                    {  
                        file.mkdirs();  
                    }  
                    String[] fileName = elems[i].split("\\.");  
                    file = new File("D:" + File.separator + path.toString()  
                            + File.separator + fileName[0] + ".txt");  
                    try 
                    {  
                        file.createNewFile();  
                        writer = new BufferedWriter(new OutputStreamWriter(  
                                new FileOutputStream(file)));  
                        writer.write(content);  
                        writer.flush();  
                        writer.close();  
                        System.out.println("创建文件成功");  
                    } catch (IOException e)  
                    {  
                        e.printStackTrace();  
                    }  
 
                }  
            }  
 
        }  
    }  
 
    /**  
     * 获取页面的超链接并将其转换为正式的A标签  
     *   
     * @param href  
     * @return  
     */ 
    public static String getHrefOfInOut(String href)  
    {  
        /* 内外部链接最终转化为完整的链接格式 */ 
        String resultHref = null;  
 
        /* 判断是否为外部链接 */ 
        if (href.startsWith("http://"))  
        {  
            resultHref = href;  
        } else 
        {  
            /* 如果是内部链接,则补充完整的链接地址,其他的格式忽略不处理,如：a href="#" */ 
            if (href.startsWith("/"))  
            {  
                resultHref = "http://www.oschina.net" + href;  
            }  
        }  
 
        return resultHref;  
    }  
 
    /**  
     * 截取网页网页源文件的目标内容  
     *   
     * @param content  
     * @return  
     */ 
    public static String getGoalContent(String content)  
    {  
        int sign = content.indexOf("<pre class=\"");  
        String signContent = content.substring(sign);  
 
        int start = signContent.indexOf(">");  
        int end = signContent.indexOf("</pre>");  
 
        return signContent.substring(start + 1, end);  
    }  
 
    /**  
     * 检查网页源文件中是否有目标文件  
     *   
     * @param content  
     * @return  
     */ 
    public static int isHasGoalContent(String content)  
    {  
        return content.indexOf("<pre class=\"");  
    }  
 
}

HrefOfPage.java此类为获取页面的超链接

package com.sreach.spider;  
 
public class HrefOfPage  
{  
    /**  
     * 获得页面源代码中超链接  
     */ 
    public static void getHrefOfContent(String content)  
    {  
        System.out.println("开始");  
        String[] contents = content.split("<a href=\"");  
        for (int i = 1; i < contents.length; i++)  
        {  
            int endHref = contents[i].indexOf("\"");  
 
            String aHref = FunctionUtils.getHrefOfInOut(contents[i].substring(  
, endHref));  
 
            if (aHref != null)  
            {  
                String href = FunctionUtils.getHrefOfInOut(aHref);  
 
                if (!UrlQueue.isContains(href)  
                        && href.indexOf("/code/explore") != -1 
                        && !VisitedUrlQueue.isContains(href))  
                {  
                    UrlQueue.addElem(href);  
                }  
            }  
        }  
 
        System.out.println(UrlQueue.size() + "--抓取到的连接数");  
        System.out.println(VisitedUrlQueue.size() + "--已处理的页面数");  
 
    }  
 
}

UrlDataHanding.java此类主要是从未访问队列中获取url,下载页面，分析url，保存已访问url等操作，实现Runnable接口

package com.sreach.spider;  
 
public class UrlDataHanding implements Runnable  
{  
    /**  
     * 下载对应页面并分析出页面对应的URL放在未访问队列中。  
     * @param url  
     */ 
    public void dataHanding(String url)  
    {  
            HrefOfPage.getHrefOfContent(DownloadPage.getContentFormUrl(url));  
    }  
          
    public void run()  
    {  
        while(!UrlQueue.isEmpty())  
        {  
           dataHanding(UrlQueue.outElem());  
        }  
    }  
}

UrlQueue.java此类主要是用来存放未访问的URL队列

package com.sreach.spider;  
 
import java.util.LinkedList;  
 
public class UrlQueue  
{  
    /**超链接队列*/ 
    public static LinkedList<String> urlQueue = new LinkedList<String>();  
      
    /**队列中对应最多的超链接数量*/ 
    public static final int MAX_SIZE = 10000;  
      
    public synchronized static void addElem(String url)  
    {  
        urlQueue.add(url);  
    }  
      
    public synchronized static String outElem()  
    {  
        return urlQueue.removeFirst();  
    }  
      
    public synchronized static boolean isEmpty()  
    {  
        return urlQueue.isEmpty();  
    }  
      
    public  static int size()  
    {  
        return urlQueue.size();  
    }  
      
    public  static boolean isContains(String url)  
    {  
        return urlQueue.contains(url);  
    }  
 
}

VisitedUrlQueue.java主要是保存已访问过的URL，使用HashSet来保存，主要是考虑到每个访问过的URL是不同。HashSet刚好符合这个要求

package com.sreach.spider;  
 
import java.util.HashSet;  
 
/**  
 * 已访问url队列  
 * @author HHZ  
 *  
 */ 
public class VisitedUrlQueue  
{  
    public static HashSet<String> visitedUrlQueue = new HashSet<String>();  
 
    public synchronized static void addElem(String url)  
    {  
        visitedUrlQueue.add(url);  
    }  
 
    public synchronized static boolean isContains(String url)  
    {  
        return visitedUrlQueue.contains(url);  
    }  
 
    public synchronized static int size()  
    {  
        return visitedUrlQueue.size();  
    }  
} 
Test.java 此类为测试类

View Code   
 
import java.sql.SQLException;  
 
import com.sreach.spider.UrlDataHanding;  
import com.sreach.spider.UrlQueue;  
 
public class Test  
{  
  public static void main(String[] args) throws SQLException  
  {  
      String url = "http://www.oschina.net/code/explore/achartengine/client/AndroidManifest.xml";  
      String url1 = "http://www.oschina.net/code/explore";  
      String url2 = "http://www.oschina.net/code/explore/achartengine";  
      String url3 = "http://www.oschina.net/code/explore/achartengine/client";  
        
        
      UrlQueue.addElem(url);  
      UrlQueue.addElem(url1);  
      UrlQueue.addElem(url2);  
      UrlQueue.addElem(url3);  
        
      UrlDataHanding[] url_Handings = new UrlDataHanding[10];  
        
          for(int i = 0 ; i < 10 ; i++)  
          {  
              url_Handings[i] = new UrlDataHanding();  
              new Thread(url_Handings[i]).start();  
          }  
 
  }  
}

说明一下：由于我抓取的是针对oschina的，所以里面的url正则表达式不适合其他网站，需要自己修改一下。你也可以写成xml来配置。

小弟技术有限，有些地方确实写得不好，希望各位大牛不吝指教。

原文链接：http://www.cnblogs.com/HZhoog/archive/2012/05/08/2490374.html