网络爬虫

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：

[img]

http://images.51cto.com/files/uploadimg/20110309/1015300.png

[/img]

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

public void crawl() throws Throwable {         while (continueCrawling()) {             CrawlerUrl url = getNextUrl(); //获取待爬取队列中的下一个URL             if (url != null) {                 printCrawlInfo();                  String content = getContent(url); //获取URL的文本信息                                  //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                 if (isContentRelevant(content, this.regexpSearchPattern)) {                     saveContent(url, content); //保存网页至本地                         //获取网页内容中的链接，并放入待爬取队列中                     Collection urlStrings = extractUrls(content, url);                     addUrlsToUrlQueue(url, urlStrings);                 } else {                     System.out.println(url + " is not relevant ignoring ...");                 }                     //延时防止被对方屏蔽                 Thread.sleep(this.delayBetweenUrls);             }         }         closeOutputStream();     }

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

private CrawlerUrl getNextUrl() throws Throwable {         CrawlerUrl nextUrl = null;         while ((nextUrl == null) && (!urlQueue.isEmpty())) {             CrawlerUrl crawlerUrl = this.urlQueue.remove();                                 //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             //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             //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             if (doWeHavePermissionToVisit(crawlerUrl)                 && (!isUrlAlreadyVisited(crawlerUrl))                  && isDepthAcceptable(crawlerUrl)) {                 nextUrl = crawlerUrl;                 // System.out.println("Next url to be visited is " + nextUrl);             }         }         return nextUrl;     }

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httpclient4.1获取网页内容，具体代码如下：

Java代码

private String getContent(CrawlerUrl url) throws Throwable {         //HttpClient4.1的调用与之前的方式不同         HttpClient client = new DefaultHttpClient();         HttpGet httpGet = new HttpGet(url.getUrlString());         StringBuffer strBuf = new StringBuffer();         HttpResponse response = client.execute(httpGet);         if (HttpStatus.SC_OK == response.getStatusLine().getStatusCode()) {             HttpEntity entity = response.getEntity();             if (entity != null) {                 BufferedReader reader = new BufferedReader(                     new InputStreamReader(entity.getContent(), "UTF-8"));                 String line = null;                 if (entity.getContentLength() > 0) {                     strBuf = new StringBuffer((int) entity.getContentLength());                     while ((line = reader.readLine()) != null) {                         strBuf.append(line);                     }                 }             }             if (entity != null) {                 entity.consumeContent();             }         }         //将url标记为已访问         markUrlAsVisited(url);         return strBuf.toString();     }

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

public static boolean isContentRelevant(String content,     Pattern regexpPattern) {         boolean retValue = false;         if (content != null) {             //是否符合正则表达式的条件             Matcher m = regexpPattern.matcher(content.toLowerCase());             retValue = m.find();         }         return retValue;     }

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

public List extractUrls(String text, CrawlerUrl crawlerUrl) {         Map urlMap = new HashMap();         extractHttpUrls(urlMap, text);         extractRelativeUrls(urlMap, text, crawlerUrl);         return new ArrayList(urlMap.keySet());     }         //处理外部链接     private void extractHttpUrls(Map urlMap, String text) {         Matcher m = httpRegexp.matcher(text);         while (m.find()) {             String url = m.group();             String[] terms = url.split("a href=\"");             for (String term : terms) {                 // System.out.println("Term = " + term);                 if (term.startsWith("http")) {                     int index = term.indexOf("\"");                     if (index > 0) {                         term = term.substring(0, index);                     }                     urlMap.put(term, term);                     System.out.println("Hyperlink: " + term);                 }             }         }     }         //处理内部链接     private void extractRelativeUrls(Map urlMap, String text,             CrawlerUrl crawlerUrl) {         Matcher m = relativeRegexp.matcher(text);         URL textURL = crawlerUrl.getURL();         String host = textURL.getHost();         while (m.find()) {             String url = m.group();             String[] terms = url.split("a href=\"");             for (String term : terms) {                 if (term.startsWith("/")) {                     int index = term.indexOf("\"");                     if (index > 0) {                         term = term.substring(0, index);                     }                     String s = "http://" + host + term;                     urlMap.put(s, s);                     System.out.println("Relative url: " + s);                 }             }         }         }

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

public static void main(String[] args) {         try {             String url = "http://www.amazon.com";             Queue urlQueue = new LinkedList();             String regexp = "java";             urlQueue.add(new CrawlerUrl(url, 0));             NaiveCrawler crawler = new NaiveCrawler(urlQueue, 100, 5, 1000L,                     regexp);             // boolean allowCrawl = crawler.areWeAllowedToVisit(url);             // System.out.println("Allowed to crawl: " + url + " " +             // allowCrawl);             crawler.crawl();         } catch (Throwable t) {             System.out.println(t.toString());             t.printStackTrace();         }     }

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。