project在以下
近期，有个朋友说。想在一些页面上获取一些关键性得信息。比方，电话。地址等等。一个个页面去找 又非常麻烦。
这时候，想起了 何不去用“爬虫”去抓取一些想要得东西。省事，省里。好。今天 我们就讲讲，关于爬虫得一些东西。
这里 自己也是，看了一些关于爬虫得知识，正好，这几日闲来没事。
做了一个功能小得爬虫。
这里是使用 java来进行编写得 首先 我们来介绍下。使用得框架，jdk1.6，htmlparser.jar(java 经典訪问html页面得类),httpclient-3.01.jar,logging-1.1.jar,codec-1.4.jar。
说好了这些 我们来说下 爬虫得基本思想。说简单了，就是 宽度优先遍历，大家可能对深度优先遍历比較熟悉。宽度优先遍历那。事实上也能够非常easy得去理解。把你的电脑理解为一个网站。互联网就是一个网状得散步开来。
而我们要做得是从你的网站出发，先訪问离你近期，然后绕圈，再然后 訪问下一级，这样一圈圈得 訪问下去。非常像当时在学校学习得图得概念。 那我们就能够把 百度，新浪，。。等这样得网站作为网站，从他本身開始挖掘。
说了 思想我们開始 我们得第一步。首先我们要把，我们得想法来实现他。 第一步。我们要来定义下 我们须要用到得一些类。首先，我们要记住一条那就是訪问过得 ，不是必需去訪问了。
那我们就有了 队列得感念，先进先出。我们要有队列得管理类。
import java.util.LinkedList;public class Queue { private LinkedList queue = new LinkedList(); public void enQueue(Object t) { queue.addLast(t); } public Object deQueue() { return queue.removeFirst(); } public boolean isQueueEmpty() { return queue.isEmpty(); } public boolean contians(Object t) { return queue.contains(t); } } import java.util.HashSet;import java.util.Set;public class LinkQueue { private static Set visitedUrl = new HashSet(); private static Queue unVisitedUrl = new Queue(); public static Queue getUnVisitedUrl(){ return unVisitedUrl; } public static void addVisitedUrl(String url) { visitedUrl.add(url); } public static void removeVIsitedUrl(String url){ visitedUrl.remove(url); } public static Object unVisitedUrlDeQueue(){ return unVisitedUrl.deQueue(); } public static void addUnvisitedUrl(String url){ if(url != null && !url.trim().equals("") && !visitedUrl.contains(url) && !unVisitedUrl.contians(url)){ unVisitedUrl.enQueue(url); } } public static int getVisitedUrlNum(){ return visitedUrl.size(); } public static boolean unVisitedUrlsEmpty(){ return unVisitedUrl.isQueueEmpty(); } } 写好队列得管理之后 ，我们要写最关键得类那下载页面类和获取页面信息并处理得一个类。 我这里是 把获取得 title 和 网址 得一些信息写入了 一个文件。大家能够依据 自己得要求，来改动获取得信息得要求和处理得方式。
import java.io.ByteArrayInputStream;import java.io.DataOutputStream;import java.io.File;import java.io.FileNotFoundException;import java.io.FileOutputStream;import java.io.FileWriter;import java.io.IOException;import java.io.InputStream;import java.io.OutputStream;import java.net.URLDecoder;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;public class DownLoadFile { public String getFileNameByUrl(String url,String contentType){ // url = url.substring(arg0) if(contentType.indexOf("html") != -1){ url = url.replaceAll("[\\? /:*|<>\"]http" ,""); return url; }else { return url.replaceAll("[\\?
/:*|<>\"]http", "")+"."+contentType.substring(contentType.lastIndexOf("/")+1); } } private void saveToLocal(String data){ // DataOutputStream outputStream; try { // outputStream = new DataOutputStream(new FileOutputStream(new File("/Users/vika/Desktop/url.txt"))); // outputStream.writeUTF(data); // outputStream.flush(); // outputStream.close(); FileWriter fw = new FileWriter("/Users/vika/Desktop/url.txt", true); fw.write(data); fw.close(); // OutputStream output = null; // File file = new File("/Users/vika/Desktop/url.txt"); // output = new FileOutputStream(file); // int tempByte = -1; // while((tempByte=data.read())>0){ // output.write(tempByte); // } // } catch (IOException e) { // TODO Auto-generated catch block e.printStackTrace(); } } public String downloadFile(String url) { String filePath = null; HttpClient httpClient = new HttpClient(); httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(5000); GetMethod getMethod = new GetMethod(url); getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000); getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,new DefaultHttpMethodRetryHandler()); try { int code = httpClient.executeMethod(getMethod); if(code != HttpStatus.SC_OK){ System.err.println("Method failed: "+getMethod.getStatusLine()); filePath = null; } InputStream responseBody = getMethod.getResponseBodyAsStream();// 读取为字节数组 // 依据网页 url 生成保存时的文件名称 String content = getMethod.getResponseBodyAsString(); if(content.contains("title")){ content = content.substring(content.indexOf("<title>"), content.indexOf("</title>")); //URLDecoder.decode(content, "UTF-8"); } filePath = getFileNameByUrl(url, getMethod.getResponseHeader( "Content-Type").getValue()); //saveToLocal(new ByteArrayInputStream((filePath+content).getBytes())); saveToLocal(filePath+content+"\n"); System.out.println(filePath); System.out.println(content); } catch (HttpException e) { // TODO Auto-generated catch block System.out.println("Please check your provided http address!"); e.printStackTrace(); } catch (IOException e) { // TODO Auto-generated catch block e.printStackTrace(); }finally{ getMethod.releaseConnection(); } return filePath; } }
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;public class HtmlParserTool { public static Set extracLinks(String url,LinkFilter filter){ Set links = new HashSet (); try { Parser parser = new Parser(url); parser.setEncoding("UTF-8"); final NodeFilter frameFilter = new NodeFilter() { @Override public boolean accept(org.htmlparser.Node node) { // TODO Auto-generated method stub return true;// if (node.getText().startsWith("frame src=")) {// return true;// } else {// return false;// } } }; OrFilter linkFilter = new OrFilter(new NodeClassFilter(LinkTag.class),frameFilter); NodeList list = (NodeList) parser.extractAllNodesThatMatch(linkFilter); for (int i = 0; i < list.size(); i++) { Node tag = (Node) list.elementAt(i); if(tag instanceof LinkTag){ LinkTag link = (LinkTag)tag; String linkUrl = link.getLink(); if(filter.accept(linkUrl)){ links.add(linkUrl); }else { String frame = ((LinkTag) tag).getText();// int start = frame.indexOf("href=");// frame = frame.substring(start);// int end = frame.indexOf(" ");// if(end == -1)// end = frame.indexOf(">");// String frameUrl = frame.substring(5,end - 1); if(filter.accept(frame)){ links.add(frame); } } } } } catch (ParserException e) { // TODO Auto-generated catch block e.printStackTrace(); } return links; }} 这里还用到了一个接口
public interface LinkFilter { public boolean accept(String url);} 搞好了这些 我们来写我们得主类。
这里 我就随便定义了一下。
用Test作了主类。
这里设置下 获取得 超时设置 我设置得是 5s。还有 keyword，我设置得是 youku。由于 我抓取得是www.youku.com上面得信息，仅仅要 包括rul中包括youkukeyword 。我就所有获取。这里能够依据自己得喜好来抓取。
public static void main(String[] args) { // TODO Auto-generated method stub Test test = new Test(); test.crawling(new String[]{"http://www.youku.com/"}); } private void initCrawlerWithSeeds(String[] seeds) { for(int i=0;i links=HtmlParserTool.extracLinks(visitUrl,filter); for(String link:links) { LinkQueue.addUnvisitedUrl(link); } } } project文件