HttpClient 和 HtmlParser 实现简易爬虫

简易爬虫的实现
HttpClient 提供了便利的 HTTP 协议访问，使得我们可以很容易的得到某个网页的源码并保存在本地；HtmlParser 提供了如此简便灵巧的类库，可以从网页中便捷的提取出指向其他网页的超链接。笔者结合这两个开源包，构建了一个简易的网络爬虫。
爬虫 (Crawler) 原理
学过数据结构的读者都知道有向图这种数据结构。如下图所示，如果将网页看成是图中的某一个节点，而将网页中指向其他网页的链接看成是这个节点指向其他节点的边，那么我们很容易将整个 Internet 上的网页建模成一个有向图。理论上，通过遍历算法遍历该图，可以访问到Internet 上的几乎所有的网页。最简单的遍历就是宽度优先以及深度优先。以下笔者实现的简易爬虫就是使用了宽度优先的爬行策略。

图 2. 网页关系的建模图


简易爬虫实现流程
在看简易爬虫的实现代码之前，先介绍一下简易爬虫爬取网页的流程。

图 3. 爬虫流程图


各个类的源码以及说明
对应上面的流程图，简易爬虫由下面几个类组成，各个类职责如下：
Crawler.java：爬虫的主方法入口所在的类，实现爬取的主要流程。
LinkDb.java：用来保存已经访问的 url 和待爬取的 url 的类，提供url出对入队操作。
Queue.java： 实现了一个简单的队列，在 LinkDb.java 中使用了此类。
FileDownloader.java：用来下载 url 所指向的网页。
HtmlParserTool.java： 用来抽取出网页中的链接。
LinkFilter.java：一个接口，实现其 accept() 方法用来对抽取的链接进行过滤。
下面是各个类的源码，代码中的注释有比较详细的说明。

清单6 Crawler.java

[java]  view plain copy

1. package com.ie;  
2.   
3. import java.util.Set;  
4. public class Crawler {  
5.     /* 使用种子 url 初始化 URL 队列*/  
6.     private void initCrawlerWithSeeds(String[] seeds)  
7.     {  
8.         for(int i=0;i<seeds.length;i++)  
9.             LinkDB.addUnvisitedUrl(seeds[i]);  
10.     }  
11.       
12.     /* 爬取方法*/  
13.     public void crawling(String[] seeds)  
14.     {  
15.         LinkFilter filter = new LinkFilter(){  
16.             //提取以 http://www.twt.edu.cn 开头的链接  
17.             public boolean accept(String url) {  
18.                 if(url.startsWith("http://www.twt.edu.cn"))  
19.                     return true;  
20.                 else  
21.                     return false;  
22.             }  
23.         };  
24.         //初始化 URL 队列  
25.         initCrawlerWithSeeds(seeds);  
26.         //循环条件：待抓取的链接不空且抓取的网页不多于 1000  
27.         while(!LinkDB.unVisitedUrlsEmpty()&&LinkDB.getVisitedUrlNum()<=1000)  
28.         {  
29.             //队头 URL 出对  
30.             String visitUrl=LinkDB.unVisitedUrlDeQueue();  
31.             if(visitUrl==null)  
32.                 continue;  
33.             FileDownLoader downLoader=new FileDownLoader();  
34.             //下载网页  
35.             downLoader.downloadFile(visitUrl);  
36.             //该 url 放入到已访问的 URL 中  
37.             LinkDB.addVisitedUrl(visitUrl);  
38.             //提取出下载网页中的 URL  
39.               
40.             Set<String> links=HtmlParserTool.extracLinks(visitUrl,filter);  
41.             //新的未访问的 URL 入队  
42.             for(String link:links)  
43.             {  
44.                     LinkDB.addUnvisitedUrl(link);  
45.             }  
46.         }  
47.     }  
48.     //main 方法入口  
49.     public static void main(String[]args)  
50.     {  
51.         Crawler crawler = new Crawler();  
52.         crawler.crawling(new String[]{"http://www.twt.edu.cn"});  
53.     }  
54. }  

清单7 LinkDb.java

[java]  view plain copy

1. package com.ie;  
2.   
3. import java.util.HashSet;  
4. import java.util.Set;  
5.   
6. /** 
7.  * 用来保存已经访问过 Url 和待访问的 Url 的类 
8.  */  
9. public class LinkDB {  
10.   
11.     //已访问的 url 集合  
12.     private static Set<String> visitedUrl = new HashSet<String>();  
13.     //待访问的 url 集合  
14.     private static Queue<String> unVisitedUrl = new Queue<String>();  
15.   
16.       
17.     public static Queue<String> getUnVisitedUrl() {  
18.         return unVisitedUrl;  
19.     }  
20.   
21.     public static void addVisitedUrl(String url) {  
22.         visitedUrl.add(url);  
23.     }  
24.   
25.     public static void removeVisitedUrl(String url) {  
26.         visitedUrl.remove(url);  
27.     }  
28.   
29.     public static String unVisitedUrlDeQueue() {  
30.         return unVisitedUrl.deQueue();  
31.     }  
32.   
33.     // 保证每个 url 只被访问一次  
34.     public static void addUnvisitedUrl(String url) {  
35.         if (url != null && !url.trim().equals("")  
36.  && !visitedUrl.contains(url)  
37.                 && !unVisitedUrl.contians(url))  
38.             unVisitedUrl.enQueue(url);  
39.     }  
40.   
41.     public static int getVisitedUrlNum() {  
42.         return visitedUrl.size();  
43.     }  
44.   
45.     public static boolean unVisitedUrlsEmpty() {  
46.         return unVisitedUrl.empty();  
47.     }  
48. }  

清单8 Queue.java

[java]  view plain copy

1. package com.ie;  
2.   
3. import java.util.LinkedList;  
4. /** 
5.  * 数据结构队列 
6.  */  
7. public class Queue<T> {  
8.   
9.     private LinkedList<T> queue=new LinkedList<T>();  
10.       
11.     public void enQueue(T t)  
12.     {  
13.         queue.addLast(t);  
14.     }  
15.       
16.     public T deQueue()  
17.     {  
18.         return queue.removeFirst();  
19.     }  
20.       
21.     public boolean isQueueEmpty()  
22.     {  
23.         return queue.isEmpty();  
24.     }  
25.       
26.     public boolean contians(T t)  
27.     {  
28.         return queue.contains(t);  
29.     }  
30.       
31.     public boolean empty()  
32.     {  
33.         return queue.isEmpty();  
34.     }  
35. }  

清单 9 FileDownLoader.java

[java]  view plain copy

1. package com.ie;  
2.   
3. import java.io.DataOutputStream;  
4. import java.io.File;  
5. import java.io.FileOutputStream;  
6. import java.io.IOException;  
7. import org.apache.commons.httpclient.DefaultHttpMethodRetryHandler;  
8. import org.apache.commons.httpclient.HttpClient;  
9. import org.apache.commons.httpclient.HttpException;  
10. import org.apache.commons.httpclient.HttpStatus;  
11. import org.apache.commons.httpclient.methods.GetMethod;  
12. import org.apache.commons.httpclient.params.HttpMethodParams;  
13.   
14. public class FileDownLoader {  
15.       
16.     /**根据 url 和网页类型生成需要保存的网页的文件名 
17.      *去除掉 url 中非文件名字符  
18.      */  
19.     public  String getFileNameByUrl(String url,String contentType)  
20.     {  
21.         url=url.substring(7);//remove http://  
22.         if(contentType.indexOf("html")!=-1)//text/html  
23.         {  
24.             url= url.replaceAll("[\\?/:*|<>\"]", "_")+".html";  
25.             return url;  
26.         }  
27.         else//如application/pdf  
28.         {  
29. return url.replaceAll("[\\?/:*|<>\"]", "_")+"."+ \  
30.           contentType.substring(contentType.lastIndexOf("/")+1);  
31.         }     
32.     }  
33.   
34.     /**保存网页字节数组到本地文件 
35.      * filePath 为要保存的文件的相对地址 
36.      */  
37.     private void saveToLocal(byte[] data,String filePath)  
38.     {  
39.         try {  
40.             DataOutputStream out=new DataOutputStream(  
41. new FileOutputStream(new File(filePath)));  
42.             for(int i=0;i<data.length;i++)  
43.             out.write(data[i]);  
44.             out.flush();  
45.             out.close();  
46.         } catch (IOException e) {  
47.             e.printStackTrace();  
48.         }  
49.     }  
50.   
51.     /*下载 url 指向的网页*/  
52.     public String  downloadFile(String url)  
53.     {  
54.           String filePath=null;  
55.           /* 1.生成 HttpClinet 对象并设置参数*/  
56.           HttpClient httpClient=new HttpClient();  
57.           //设置 Http 连接超时 5s  
58.               httpClient.getHttpConnectionManager().getParams().  
59. setConnectionTimeout(5000);  
60.             
61.           /*2.生成 GetMethod 对象并设置参数*/  
62.           GetMethod getMethod=new GetMethod(url);      
63.           //设置 get 请求超时 5s  
64.           getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT,5000);  
65.           //设置请求重试处理  
66.           getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,  
67.             new DefaultHttpMethodRetryHandler());  
68.             
69.           /*3.执行 HTTP GET 请求*/  
70.           try{   
71.               int statusCode = httpClient.executeMethod(getMethod);  
72.               //判断访问的状态码  
73.               if (statusCode != HttpStatus.SC_OK)   
74.               {  
75. System.err.println("Method failed: "+ getMethod.getStatusLine());  
76.                   filePath=null;  
77.               }  
78.                 
79.               /*4.处理 HTTP 响应内容*/  
80.  byte[] responseBody = getMethod.getResponseBody();//读取为字节数组  
81.               //根据网页 url 生成保存时的文件名  
82. filePath="temp\\"+getFileNameByUrl(url,  
83.            getMethod.getResponseHeader("Content-Type").getValue());  
84.             saveToLocal(responseBody,filePath);  
85.           } catch (HttpException e) {  
86.                    // 发生致命的异常，可能是协议不对或者返回的内容有问题  
87.                    System.out.println("Please check your provided http   
88. address!");  
89.                    e.printStackTrace();  
90.                   } catch (IOException e) {  
91.                    // 发生网络异常  
92.                    e.printStackTrace();  
93.                   } finally {  
94.                    // 释放连接  
95.                    getMethod.releaseConnection();            
96.                   }  
97.                   return filePath;  
98.     }  
99.     //测试的 main 方法  
100.     public static void main(String[]args)  
101.     {  
102.         FileDownLoader downLoader = new FileDownLoader();  
103.         downLoader.downloadFile("http://www.twt.edu.cn");  
104.     }  
105. }  

清单 10 HtmlParserTool.java

[java]  view plain copy

1. package com.ie;  
2.   
3. import java.util.HashSet;  
4. import java.util.Set;  
5.   
6. import org.htmlparser.Node;  
7. import org.htmlparser.NodeFilter;  
8. import org.htmlparser.Parser;  
9. import org.htmlparser.filters.NodeClassFilter;  
10. import org.htmlparser.filters.OrFilter;  
11. import org.htmlparser.tags.LinkTag;  
12. import org.htmlparser.util.NodeList;  
13. import org.htmlparser.util.ParserException;  
14.   
15. public class HtmlParserTool {  
16.     // 获取一个网站上的链接,filter 用来过滤链接  
17.     public static Set<String> extracLinks(String url,LinkFilter filter) {  
18.   
19.         Set<String> links = new HashSet<String>();  
20.         try {  
21.             Parser parser = new Parser(url);  
22.             parser.setEncoding("gb2312");  
23.             // 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  
24.             NodeFilter frameFilter = new NodeFilter() {  
25.                 public boolean accept(Node node) {  
26.                     if (node.getText().startsWith("frame src=")) {  
27.                         return true;  
28.                     } else {  
29.                         return false;  
30.                     }  
31.                 }  
32.             };  
33.             // OrFilter 来设置过滤 <a> 标签，和 <frame> 标签  
34.             OrFilter linkFilter = new OrFilter(new NodeClassFilter(  
35.                     LinkTag.class), frameFilter);  
36.             // 得到所有经过过滤的标签  
37.             NodeList list = parser.extractAllNodesThatMatch(linkFilter);  
38.             for (int i = 0; i < list.size(); i++) {  
39.                 Node tag = list.elementAt(i);  
40.                 if (tag instanceof LinkTag)// <a> 标签  
41.                 {  
42.                     LinkTag link = (LinkTag) tag;  
43.                     String linkUrl = link.getLink();// url  
44.                     if(filter.accept(linkUrl))  
45.                         links.add(linkUrl);  
46.                 } else// <frame> 标签  
47.                 {  
48.                 // 提取 frame 里 src 属性的链接如 <frame src="test.html"/>  
49.                     String frame = tag.getText();  
50.                     int start = frame.indexOf("src=");  
51.                     frame = frame.substring(start);  
52.                     int end = frame.indexOf(" ");  
53.                     if (end == -1)  
54.                         end = frame.indexOf(">");  
55.                     String frameUrl = frame.substring(5, end - 1);  
56.                     if(filter.accept(frameUrl))  
57.                         links.add(frameUrl);  
58.                 }  
59.             }  
60.         } catch (ParserException e) {  
61.             e.printStackTrace();  
62.         }  
63.         return links;  
64.     }  
65.     //测试的 main 方法  
66.     public static void main(String[]args)  
67.     {  
68. Set<String> links = HtmlParserTool.extracLinks(  
69. "http://www.twt.edu.cn",new LinkFilter()  
70.         {  
71.             //提取以 http://www.twt.edu.cn 开头的链接  
72.             public boolean accept(String url) {  
73.                 if(url.startsWith("http://www.twt.edu.cn"))  
74.                     return true;  
75.                 else  
76.                     return false;  
77.             }  
78.               
79.         });  
80.         for(String link : links)  
81.             System.out.println(link);  
82.     }  
83. }  

清单11 LinkFilter.java

[java]  view plain copy

1. package com.ie;  
2.   
3. public interface LinkFilter {  
4.     public boolean accept(String url);  
5. }  

这些代码中关键的部分都在 HttpClient 和 HtmlParser 介绍中说明过了，其他部分也比较容易，请感兴趣的读者自行理解。