一个简易的Java多页面队列爬虫程序_java

之前写过很多单页面python爬虫，感觉python还是很好用的，这里用java总结一个多页面的爬虫，迭代爬取种子页面的所有链接的页面，全部保存在tmp路径下。　　

一、序言

实现这个爬虫需要两个数据结构支持，unvisited队列(priorityqueue：可以适用pagerank等算法计算出url重要度)和visited表（hashset：可以快速查找url是否存在）；队列用于实现宽度优先爬取，visited表用于记录爬取过的url，不再重复爬取，避免了环。java爬虫需要的工具包有httpclient和htmlparser1.5，可以在maven repo中查看具体版本的下载。
1、目标网站：新浪 http://www.sina.com.cn/
2、结果截图：

下面说说爬虫的实现，后期源码会上传到github中，需要的朋友可以留言：

二、爬虫编程　
1、创建种子页面的url
MyCrawler crawler = new MyCrawler();
crawler.crawling(new String[]{"http://www.sina.com.cn/"});

2、初始化unvisited表为上面的种子url
LinkQueue.addUnvisitedUrl(seeds[i]);

3、最主要的逻辑实现部分：在队列中取出没有visit过的url，进行下载，然后加入visited的表，并解析改url页面上的其它url，把未读取的加入到unvisited队列；迭代到队列为空停止，所以这个url网络还是很庞大的。注意，这里的页面下载和页面解析需要java的工具包实现，下面具体说明下工具包的使用。

while(!LinkQueue.unVisitedUrlsEmpty()&&LinkQueue.getVisitedUrlNum()<=1000)  {   //队头URL出队列   String visitUrl=(String)LinkQueue.unVisitedUrlDeQueue();   if(visitUrl==null)    continue;   DownLoadFile downLoader=new DownLoadFile();   //下载网页   downLoader.downloadFile(visitUrl);   //该 url 放入到已访问的 URL 中   LinkQueue.addVisitedUrl(visitUrl);   //提取出下载网页中的 URL      Set<String> links=HtmlParserTool.extracLinks(visitUrl,filter);   //新的未访问的 URL 入队   for(String link:links)   {     LinkQueue.addUnvisitedUrl(link);   }  }

4、下面html页面的download工具包

public String downloadFile(String url) {  String filePath = null;  /* 1.生成 HttpClinet 对象并设置参数 */  HttpClient httpClient = new HttpClient();  // 设置 Http 连接超时 5s  httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(    5000);  /* 2.生成 GetMethod 对象并设置参数 */  GetMethod getMethod = new GetMethod(url);  // 设置 get 请求超时 5s  getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000);  // 设置请求重试处理  getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,    new DefaultHttpMethodRetryHandler());  /* 3.执行 HTTP GET 请求 */  try {   int statusCode = httpClient.executeMethod(getMethod);   // 判断访问的状态码   if (statusCode != HttpStatus.SC_OK) {    System.err.println("Method failed: "      + getMethod.getStatusLine());    filePath = null;   }   /* 4.处理 HTTP 响应内容 */   byte[] responseBody = getMethod.getResponseBody();// 读取为字节数组   // 根据网页 url 生成保存时的文件名   filePath = "temp//"     + getFileNameByUrl(url, getMethod.getResponseHeader(       "Content-Type").getValue());   saveToLocal(responseBody, filePath);  } catch (HttpException e) {   // 发生致命的异常，可能是协议不对或者返回的内容有问题   System.out.println("Please check your provided http address!");   e.printStackTrace();  } catch (IOException e) {   // 发生网络异常   e.printStackTrace();  } finally {   // 释放连接   getMethod.releaseConnection();  }  return filePath; }

5、html页面的解析工具包：

public static Set<String> extracLinks(String url, LinkFilter filter) {  Set<String> links = new HashSet<String>();  try {   Parser parser = new Parser(url);   parser.setEncoding("gb2312");   // 过滤 <frame >标签的 filter，用来提取 frame 标签里的 src 属性所表示的链接   NodeFilter frameFilter = new NodeFilter() {    public boolean accept(Node node) {     if (node.getText().startsWith("frame src=")) {      return true;     } else {      return false;     }    }   };   // OrFilter 来设置过滤 <a> 标签，和 <frame> 标签   OrFilter linkFilter = new OrFilter(new NodeClassFilter(     LinkTag.class), frameFilter);   // 得到所有经过过滤的标签   NodeList list = parser.extractAllNodesThatMatch(linkFilter);   for (int i = 0; i < list.size(); i++) {    Node tag = list.elementAt(i);    if (tag instanceof LinkTag)// <a> 标签    {     LinkTag link = (LinkTag) tag;     String linkUrl = link.getLink();// url     if (filter.accept(linkUrl))      links.add(linkUrl);    } else// <frame> 标签    {     // 提取 frame 里 src 属性的链接如 <frame src="test.html"/>     String frame = tag.getText();     int start = frame.indexOf("src=");     frame = frame.substring(start);     int end = frame.indexOf(" ");     if (end == -1)      end = frame.indexOf(">");     String frameUrl = frame.substring(5, end - 1);     if (filter.accept(frameUrl))      links.add(frameUrl);    }   }  } catch (ParserException e) {   e.printStackTrace();  }  return links; }

6、未访问页面使用PriorityQueue带偏好的队列保存，主要是为了适用于pagerank等算法，有的url忠诚度更高一些；visited表采用hashset实现，注意可以快速查找是否存在；

public class LinkQueue { //已访问的 url 集合 private static Set visitedUrl = new HashSet(); //待访问的 url 集合 private static Queue unVisitedUrl = new PriorityQueue(); //获得URL队列 public static Queue getUnVisitedUrl() {  return unVisitedUrl; } //添加到访问过的URL队列中 public static void addVisitedUrl(String url) {  visitedUrl.add(url); } //移除访问过的URL public static void removeVisitedUrl(String url) {  visitedUrl.remove(url); } //未访问的URL出队列 public static Object unVisitedUrlDeQueue() {  return unVisitedUrl.poll(); } // 保证每个 url 只被访问一次 public static void addUnvisitedUrl(String url) {  if (url != null && !url.trim().equals("") && !visitedUrl.contains(url)    && !unVisitedUrl.contains(url))   unVisitedUrl.add(url); } //获得已经访问的URL数目 public static int getVisitedUrlNum() {  return visitedUrl.size(); } //判断未访问的URL队列中是否为空 public static boolean unVisitedUrlsEmpty() {  return unVisitedUrl.isEmpty(); }}

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。

一个简易的Java多页面队列爬虫程序_java_