網(wǎng)絡(luò)爬蟲Java實(shí)現(xiàn)原理

1、網(wǎng)絡(luò)爬蟲（Spider）Java實(shí)現(xiàn)原理 收藏 “網(wǎng)絡(luò)蜘蛛”或者說(shuō)“網(wǎng)絡(luò)爬蟲”，是一種能訪問(wèn)網(wǎng)站并跟蹤鏈接的程序，通過(guò)它，可快速地畫出一個(gè)網(wǎng)站所包含的網(wǎng)頁(yè)地圖信息。本文主要講述如何使用Java編程來(lái)構(gòu)建一個(gè)“蜘蛛”，我們會(huì)先以一個(gè)可復(fù)用的蜘蛛類包裝一個(gè)基本的“蜘蛛”，并在示例程序中演示如何創(chuàng)建一個(gè)特定的“蜘蛛”來(lái)掃描相關(guān)網(wǎng)站并找出死鏈接。Java語(yǔ)言在此非常適合構(gòu)建一個(gè)“蜘蛛”程序，其內(nèi)建了對(duì)HTTP協(xié)議的支持，通過(guò)它可以傳輸大部分的網(wǎng)頁(yè)信息；其還內(nèi)建了一個(gè)HTML解析器，正是這兩個(gè)原因使Java語(yǔ)言成為本文構(gòu)建“蜘蛛”程序的首選。文章后面例1的示例程序，將會(huì)掃描一個(gè)網(wǎng)站，并尋找死鏈接。使用這

2、個(gè)程序時(shí)需先輸入一個(gè)URL并單擊“Begin”按鈕，程序開始之后，“Begin”按鈕會(huì)變成“Cancel”按鈕。在程序掃描網(wǎng)站期間，會(huì)在“Cancel”按鈕之下顯示進(jìn)度，且在檢查當(dāng)前網(wǎng)頁(yè)時(shí)，也會(huì)顯示相關(guān)正常鏈接與死鏈接的數(shù)目，死鏈接將顯示在程序底部的滾動(dòng)文本框中。單擊“Cancel”按鈕會(huì)停止掃描過(guò)程，之后可以輸入一個(gè)新的URL；如果期間沒(méi)有單擊“Cancel”，程序?qū)?huì)一直運(yùn)行直到查找完所有網(wǎng)頁(yè)，此后，“Cancel”按鈕會(huì)再次變回“Begin”，表示程序已停止。下面將演示示例程序是如何與可復(fù)用“Spider”類交互的，示例程序包含在例1的CheckLinks類中，這個(gè)類實(shí)現(xiàn)了ISpider

3、Reportable接口，如例2所示，正是通過(guò)這個(gè)接口，蜘蛛類才能與示例程序相交互。在這個(gè)接口中，定義了三個(gè)方法：第一個(gè)方法是“spiderFoundURL”，它在每次程序定位一個(gè)URL時(shí)被調(diào)用，如果方法返回true，表示程序應(yīng)繼續(xù)執(zhí)行下去并找出其中的鏈接；第二個(gè)方法是“spiderURLError”，它在每次程序檢測(cè)URL導(dǎo)致錯(cuò)誤時(shí)被調(diào)用（如“404 頁(yè)面未找到”）；第三個(gè)方法是“spiderFoundEMail”，它在每次發(fā)現(xiàn)電子郵件地址時(shí)被調(diào)用。有了這三個(gè)方法，Spider類就能把相關(guān)信息反饋給創(chuàng)建它的程序了。在begin方法被調(diào)用后，“蜘蛛”就開始工作了；為允許程序重繪其用戶界面，“蜘

4、蛛”是作為一個(gè)單獨(dú)的線程啟動(dòng)的。點(diǎn)擊“Begin”按鈕會(huì)開始這個(gè)后臺(tái)線程，當(dāng)后臺(tái)線程運(yùn)行之后，又會(huì)調(diào)用“CheckLinks”類的run方法，而run方法是由Spider對(duì)象實(shí)例化時(shí)啟動(dòng)的，如下所示：spider = new Spider(this); spider.clear(); base = new URL(url.getText(); spider.addURL(base); spider.begin(); 首先，一個(gè)新的Spider對(duì)象被實(shí)例化，在此，需要傳遞一個(gè)“ISpiderReportable”對(duì)象給Spider對(duì)象的構(gòu)造函數(shù)，因?yàn)椤癈heckLinks”類實(shí)現(xiàn)了“ISpide

5、rReportable”接口，只需簡(jiǎn)單地把它作為當(dāng)前對(duì)象（可由關(guān)鍵字this表示）傳遞給構(gòu)造函數(shù)即可；其次，在程序中維護(hù)了一個(gè)其訪問(wèn)過(guò)的URL列表，而“clear”方法的調(diào)用則是為了確保程序開始時(shí)URL列表為空，程序開始運(yùn)行之前必須添加一個(gè)URL到它的待處理列表中，此時(shí)用戶輸入的URL則是添加到列表中的第一個(gè)，程序就由掃描這個(gè)網(wǎng)頁(yè)開始，并找到與這個(gè)起始URL相鏈接的其他頁(yè)面；最后，調(diào)用“begin”方法開始運(yùn)行“蜘蛛”，這個(gè)方法直到“蜘蛛”工作完畢或用戶取消才會(huì)返回。當(dāng)“蜘蛛”運(yùn)行時(shí)，可以調(diào)用由“ISpiderReportable”接口實(shí)現(xiàn)的三個(gè)方法來(lái)報(bào)告程序當(dāng)前狀態(tài)，程序的大部分工作都是由“

6、spiderFoundURL”方法來(lái)完成的，當(dāng)“蜘蛛”發(fā)現(xiàn)一個(gè)新的URL時(shí)，它首先檢查其是否有效，如果這個(gè)URL導(dǎo)致一個(gè)錯(cuò)誤，就會(huì)把它當(dāng)作一個(gè)死鏈接；如果鏈接有效，就會(huì)繼續(xù)檢查它是否在一個(gè)不同的服務(wù)器上，如果鏈接在同一服務(wù)器上，“spiderFoundURL”返回true，表示“蜘蛛”應(yīng)繼續(xù)跟蹤這個(gè)URL并找出其他鏈接，如果鏈接在另外的服務(wù)器上，就不會(huì)掃描是否還有其他鏈接，因?yàn)檫@會(huì)導(dǎo)致“蜘蛛”不斷地瀏覽Internet，尋找更多、更多的網(wǎng)站，所以，示例程序只會(huì)查找用戶指定網(wǎng)站上的鏈接。構(gòu)造Spider類前面已經(jīng)講了如何使用Spider類，請(qǐng)看例3中的代碼。使用Spider類及“ISpiderR

7、eportable”接口能方便地為某一程序添加“蜘蛛”功能，下面繼續(xù)講解Spider類是怎樣工作的。Spider類必須保持對(duì)其訪問(wèn)過(guò)的URL的跟蹤，這樣做的目的是為了確保“蜘蛛”不會(huì)訪問(wèn)同一URL一次以上；進(jìn)一步來(lái)說(shuō)，“蜘蛛”必須把URL分成三組，第一組存儲(chǔ)在“workloadWaiting”屬性中，包含了一個(gè)未處理的URL列表，“蜘蛛”要訪問(wèn)的第一個(gè)URL也存在其中；第二組存儲(chǔ)在“workloadProcessed”中，它是“蜘蛛”已經(jīng)處理過(guò)且無(wú)需再次訪問(wèn)的URL；第三組存儲(chǔ)在“workloadError”中，包含了發(fā)生錯(cuò)誤的URL。Begin方法包含了Spider類的主循環(huán)，其一直重復(fù)遍歷

8、“workloadWaiting”，并處理其中的每一個(gè)頁(yè)面，當(dāng)然我們也想到了，在這些頁(yè)面被處理時(shí)，很可能有其他的URL添加到“workloadWaiting”中，所以，begin方法一直繼續(xù)此過(guò)程，直到調(diào)用Spider類的cancel方法，或“workloadWaiting”中已不再剩有URL。這個(gè)過(guò)程如下：cancel = false; while ( !getWorkloadWaiting().isEmpty() & !cancel ) Object list = getWorkloadWaiting().toArray(); for ( int i=0; (iprocessURL(URL

9、)listi); 當(dāng)上述代碼遍歷“workloadWaiting”時(shí)，它把每個(gè)需處理的URL都傳遞給“processURL”方法，而這個(gè)方法才是真正讀取并解析URL中HTML信息的。讀取并解析HTMLJava同時(shí)支持訪問(wèn)URL內(nèi)容及解析HTML，而這正是“processURL”方法要做的。在Java中讀取URL內(nèi)容相對(duì)還比較簡(jiǎn)單，下面就是“processURL”方法實(shí)現(xiàn)此功能的代碼：URLConnection connection = url.openConnection(); if ( (connection.getContentType()!=null) &!connection.getC

10、ontentType().toLowerCase().startsWith(text/) ) getWorkloadWaiting().remove(url); getWorkloadProcessed().add(url); log(Not processing because content type is: +connection.getContentType() ); return; 首先，為每個(gè)傳遞進(jìn)來(lái)的變量url中存儲(chǔ)的URL構(gòu)造一個(gè)“URLConnection”對(duì)象，因?yàn)榫W(wǎng)站上會(huì)有多種類型的文檔，而“蜘蛛”只對(duì)那些包含HTML，尤其是基于文本的文檔感興趣。前述代碼是為了確保文檔內(nèi)

11、容以“text/”打頭，如果文檔類型為非文本，會(huì)從等待區(qū)移除此URL，并把它添加到已處理區(qū)，這也是為了保證不會(huì)再次訪問(wèn)此URL。在對(duì)特定URL建立連接之后，接下來(lái)就要解析其內(nèi)容了。下面的代碼打開了URL連接，并讀取內(nèi)容：InputStream is = connection.getInputStream(); Reader r = new InputStreamReader(is); 現(xiàn)在，我們有了一個(gè)Reader對(duì)象，可以用它來(lái)讀取此URL的內(nèi)容，對(duì)本文中的“蜘蛛”來(lái)說(shuō)，只需簡(jiǎn)單地把其內(nèi)容傳遞給HTML解析器就可以了。本例中使用的HTML解析器為Swing HTML解析器，其由Java內(nèi)置，

12、但由于Java對(duì)HTML解析的支持力度不夠，所以必須重載一個(gè)類來(lái)實(shí)現(xiàn)對(duì)HTML解析器的訪問(wèn)，這就是為什么我們要調(diào)用“HTMLEditorKit”類中的“getParser”方法。但不幸的是，Sun公司把這個(gè)方法置為protected，唯一的解決辦法就是創(chuàng)建自己的類并重載“getParser”方法，并把它置為public，這由“HTMLParse”類來(lái)實(shí)現(xiàn)，請(qǐng)看例4：import javax.swing.text.html.*; public class HTMLParse extends HTMLEditorKit public HTMLEditorKit.Parser getParser()

13、return super.getParser(); 這個(gè)類用在Spider類的“processURL”方法中，我們也會(huì)看到，Reader對(duì)象會(huì)用于讀取傳遞到“HTMLEditorKit.Parser”中網(wǎng)頁(yè)的內(nèi)容：HTMLEditorKit.Parser parse = new HTMLParse().getParser(); parse.parse(r,new Parser(url),true); 請(qǐng)留意，這里又構(gòu)造了一個(gè)新的Parser類，這個(gè)Parser類是一個(gè)Spider類中的內(nèi)嵌類，而且還是一個(gè)回調(diào)類，它包含了對(duì)應(yīng)于每種HTML tag將要調(diào)用的特定方法。在本文中，我們只需關(guān)心兩類回

14、調(diào)函數(shù)，它們分別對(duì)應(yīng)一個(gè)簡(jiǎn)單tag（即不帶結(jié)束tag的tag，如）和一個(gè)開始tag，這兩類回調(diào)函數(shù)名為“handleSimpleTag”和“handleStartTag”。因?yàn)槊糠N的處理過(guò)程都是一樣的，所以“handleStartTag”方法僅是簡(jiǎn)單地調(diào)用“handleSimpleTag”，而“handleSimpleTag”則會(huì)負(fù)責(zé)從文檔中取出超鏈接，這些超鏈接將會(huì)用于定位“蜘蛛”要訪問(wèn)的其他頁(yè)面。在當(dāng)前tag被解析時(shí)，“handleSimpleTag”會(huì)檢查是否存在一個(gè)“href”或超文本引用：String href = (String)a.getAttribute(HTML.Attrib

15、ute.HREF); if( (href=null) & (t=HTML.Tag.FRAME) )href = (String)a.getAttribute(HTML.Attribute.SRC); if ( href=null )return; 如果不存在“href”屬性，會(huì)繼續(xù)檢查當(dāng)前tag是否為一個(gè)Frame，F(xiàn)rame會(huì)使用一個(gè)“src”屬性指向其他頁(yè)面，一個(gè)典型的超鏈接通常為以下形式：上面鏈接中的“href”屬性指向其鏈接到的頁(yè)面，但是“l(fā)inkedpage.html”不是一個(gè)地址，它只是指定了這個(gè)Web服務(wù)器上一個(gè)頁(yè)面上的某處，這稱為相對(duì)URL，相對(duì)URL必須被解析為絕對(duì)URL，而

16、這由以下代碼完成：URL url = new URL(base,str); 這又會(huì)構(gòu)造一個(gè)URL，str為相對(duì)URL，base為這個(gè)URL上的頁(yè)面，這種形式的URL類構(gòu)造函數(shù)可構(gòu)造一個(gè)絕對(duì)URL。在URL變?yōu)檎_的絕對(duì)形式之后，通過(guò)檢查它是否在等待區(qū)，來(lái)確認(rèn)此URL是否已經(jīng)被處理過(guò)。如果此URL沒(méi)有被處理過(guò)，它會(huì)添加到等待區(qū)，之后，它會(huì)像其他URL一樣被處理。相關(guān)的代碼如下所示：1.CheckLinks.javaimport java.awt.*; import javax.swing.*; import .*; import java.io.*;public class Ch

17、eckLinks extends javax.swing.JFrame implements Runnable,ISpiderReportable /* * The constructor. Perform setup here. */ public CheckLinks() /INIT_CONTROLS setTitle(Find Broken Links); getContentPane().setLayout(null); setSize(405,288); setVisible(true); label1.setText(Enter a URL:); getContentPane().

18、add(label1); label1.setBounds(12,12,84,12); begin.setText(Begin); begin.setActionCommand(Begin); getContentPane().add(begin); begin.setBounds(12,36,84,24); getContentPane().add(url); url.setBounds(108,36,288,24); errorScroll.setAutoscrolls(true); errorScroll.setHorizontalScrollBarPolicy(javax.swing.

19、 ScrollPaneConstants.HORIZONTAL_SCROLLBAR_ALWAYS); errorScroll.setVerticalScrollBarPolicy(javax.swing. ScrollPaneConstants.VERTICAL_SCROLLBAR_ALWAYS); errorScroll.setOpaque(true); getContentPane().add(errorScroll); errorScroll.setBounds(12,120,384,156); errors.setEditable(false); errorScroll.getView

20、port().add(errors); errors.setBounds(0,0,366,138); current.setText(Currently Processing: ); getContentPane().add(current); current.setBounds(12,72,384,12); goodLinksLabel.setText(Good Links: 0); getContentPane().add(goodLinksLabel); goodLinksLabel.setBounds(12,96,192,12); badLinksLabel.setText(Bad L

21、inks: 0); getContentPane().add(badLinksLabel); badLinksLabel.setBounds(216,96,96,12); / /INIT_MENUS / /REGISTER_LISTENERS SymAction lSymAction = new SymAction(); begin.addActionListener(lSymAction); / /* * Main method for the application * * param args Not used */ static public void main(String args

22、) (new CheckLinks().setVisible(true); /* * Add notifications. */ public void addNotify() / Record the size of the window prior to calling parents / addNotify. Dimension size = getSize();super.addNotify(); if ( frameSizeAdjusted ) return; frameSizeAdjusted = true;/ Adjust size of frame according to t

23、he insets and menu bar Insets insets = getInsets(); javax.swing.JMenuBar menuBar = getRootPane().getJMenuBar(); int menuBarHeight = 0; if ( menuBar != null ) menuBarHeight = menuBar.getPreferredSize().height; setSize(insets.left + insets.right + size.width, insets.top + insets.bottom + size.height +

24、 menuBarHeight); / Used by addNotify boolean frameSizeAdjusted = false; /DECLARE_CONTROLS javax.swing.JLabel label1 = new javax.swing.JLabel(); /* * The begin or cancel button */ javax.swing.JButton begin = new javax.swing.JButton(); /* * The URL being processed */ javax.swing.JTextField url = new j

25、avax.swing.JTextField(); /* * Scroll the errors. */ javax.swing.JScrollPane errorScroll = new javax.swing.JScrollPane(); /* * A place to store the errors created */ javax.swing.JTextArea errors = new javax.swing.JTextArea(); javax.swing.JLabel current = new javax.swing.JLabel(); javax.swing.JLabel g

26、oodLinksLabel = new javax.swing.JLabel(); javax.swing.JLabel badLinksLabel = new javax.swing.JLabel(); / /DECLARE_MENUS / /* * The background spider thread */ protected Thread backgroundThread; /* * The spider object being used */ protected Spider spider; /* * The URL that the spider began with */ p

27、rotected URL base; /* * How many bad links have been found */ protected int badLinksCount = 0; /* * How many good links have been found */ protected int goodLinksCount = 0; /* * Internal class used to dispatch events * * authorwuhailin * version 1.0 */ class SymAction implements java.awt.event.Actio

28、nListener public void actionPerformed(java.awt.event.ActionEvent event) Object object = event.getSource(); if ( object = begin ) begin_actionPerformed(event); /* * Called when the begin or cancel buttons are clicked * * param event The event associated with the button. */ void begin_actionPerformed(

29、java.awt.event.ActionEvent event) if ( backgroundThread=null ) begin.setLabel(Cancel); backgroundThread = new Thread(this); backgroundThread.start(); goodLinksCount=0; badLinksCount=0; else spider.cancel(); /* * Perform the background thread operation. This method * actually starts the background th

30、read. */ public void run() try errors.setText(); spider = new Spider(this); spider.clear(); base = new URL(url.getText(); spider.addURL(base); spider.begin(); Runnable doLater = new Runnable() public void run() begin.setText(Begin); ; SwingUtilities.invokeLater(doLater); backgroundThread=null; catch

31、 ( MalformedURLException e ) UpdateErrors err = new UpdateErrors(); err.msg = Bad address.; SwingUtilities.invokeLater(err); /* * Called by the spider when a URL is found. It is here * that links are validated. * * param base The page that the link was found on. * param url The actual link address.

32、*/ public boolean spiderFoundURL(URL base,URL url) UpdateCurrentStats cs = new UpdateCurrentStats(); cs.msg = url.toString(); SwingUtilities.invokeLater(cs); if ( !checkLink(url) ) UpdateErrors err = new UpdateErrors(); err.msg = url+(on page + base + )n; SwingUtilities.invokeLater(err); badLinksCou

33、nt+; return false; goodLinksCount+; if ( !url.getHost().equalsIgnoreCase(base.getHost() ) return false; else return true; /* * Called when a URL error is found * * param url The URL that resulted in an error. */ public void spiderURLError(URL url) /* * Called internally to check whether a link is go

34、od * * param url The link that is being checked. * return True if the link was good, false otherwise. */ protected boolean checkLink(URL url) try URLConnection connection = url.openConnection(); connection.connect(); return true; catch ( IOException e ) return false; /* * Called when the spider find

35、s an e-mail address * * param email The email address the spider found. */ public void spiderFoundEMail(String email) /* * Internal class used to update the error information * in a Thread-Safe way */class UpdateErrors implements Runnable public String msg; public void run() errors.append(msg); /* *

36、 Used to update the current status information * in a Thread-Safe way */ class UpdateCurrentStats implements Runnable public String msg; public void run() current.setText(Currently Processing: + msg ); goodLinksLabel.setText(Good Links: + goodLinksCount); badLinksLabel.setText(Bad Links: + badLinksC

37、ount); 2.ISpiderReportable .javaimport .*;interface ISpiderReportable public boolean spiderFoundURL(URL base,URL url); public void spiderURLError(URL url); public void spiderFoundEMail(String email);3.Spider .javaimport java.util.*; import .*; import java.io.*; import javax.swing.tex

38、t.*; import javax.swing.text.html.*;/* That class implements a reusable spider*/public class Spider /* * A collection of URLs that resulted in an error */ protected Collection workloadError = new ArrayList(3); /* * A collection of URLs that are waiting to be processed */ protected Collection workloa

39、dWaiting = new ArrayList(3); /* * A collection of URLs that were processed */ protected Collection workloadProcessed = new ArrayList(3); /* * The class that the spider should report its URLs to */ protected ISpiderReportable report; /* * A flag that indicates whether this process * should be cancele

40、d */ protected boolean cancel = false; /* * The constructor * * param report A class that implements the ISpiderReportable * interface, that will receive information that the * spider finds. */ public Spider(ISpiderReportable report) this.report = report; /* * Get the URLs that resulted in an error.

41、 * * return A collection of URLs. */ public Collection getWorkloadError() return workloadError; /* * Get the URLs that were waiting to be processed. * You should add one URL to this collection to * begin the spider. * * return A collection of URLs. */ public Collection getWorkloadWaiting() return wo

42、rkloadWaiting; /* * Get the URLs that were processed by this spider. * * return A collection of URLs. */ public Collection getWorkloadProcessed() return workloadProcessed; /* * Clear all of the workloads. */ public void clear() getWorkloadError().clear(); getWorkloadWaiting().clear(); getWorkloadPro

43、cessed().clear(); /* * Set a flag that will cause the begin * method to return before it is done. */ public void cancel() cancel = true; /* * Add a URL for processing. * * param url */ public void addURL(URL url) if ( getWorkloadWaiting().contains(url) ) return; if ( getWorkloadError().contains(url)

44、 ) return; if ( getWorkloadProcessed().contains(url) ) return; log(Adding to workload: + url ); getWorkloadWaiting().add(url); /* * Called internally to process a URL * * param url The URL to be processed. */ public void processURL(URL url) try log(Processing: + url ); / get the URLs contents URLCon

45、nection connection = url.openConnection(); if ( (connection.getContentType()!=null) & !connection.getContentType().toLowerCase().startsWith(text/) ) getWorkloadWaiting().remove(url); getWorkloadProcessed().add(url); log(Not processing because content type is: + connection.getContentType() ); return;

46、 / read the URL InputStream is = connection.getInputStream(); Reader r = new InputStreamReader(is); / parse the URL HTMLEditorKit.Parser parse = new HTMLParse().getParser(); parse.parse(r,new Parser(url),true); catch ( IOException e ) getWorkloadWaiting().remove(url); getWorkloadError().add(url); log(Error: + url ); report.spiderURLError(url); return; / mark URL as complete getWorkloadWaiting().remove(url); getWorkloadProcessed().add(url); log(Complete: + url ); /* * Called to start the spider