半小时实现Java手撸网络爬虫框架(附完整源码)

最近在做一个搜索相关的项目，需要爬取网络上的一些链接存储到索引库中，虽然有很多开源的强大的爬虫框架，但本着学习的态度，自己写了一个简单的网络爬虫，以便了解其中的原理。今天，就为小伙伴们分享下这个简单的爬虫程序！！

首先介绍每个类的功能：

• DownloadPage.java的功能是下载此超链接的页面源代码.

• FunctionUtils.java 的功能是提供不同的静态方法，包括：页面链接正则表达式匹配,获取URL链接的元素,判断是否创建文件,获取页面的Url并将其转换为规范的Url,截取网页网页源文件的目标内容。

• HrefOfPage.java 的功能是获取页面源代码的超链接。

• UrlDataHanding.java 的功能是整合各个给类，实现url到获取数据到数据处理类。

• UrlQueue.java 的未访问Url队列。

• VisitedUrlQueue.java 已访问过的URL队列。

下面介绍一下每个类的源代码：

DownloadPage.java 此类要用到HttpClient组件。

package com.sreach.spider;

import java.io.IOException;
import org.apache.http.HttpEntity;
import org.apache.http.HttpResponse;
import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.HttpClient;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.DefaultHttpClient;
import org.apache.http.util.EntityUtils;

/**
* @author binghe
*/
public class DownloadPage {

/**
 * 根据URL抓取网页内容
 *
 * @param url
 * @return
 */
public static String getContentFormUrl(String url) {
 /* 实例化一个HttpClient客户端 */
 HttpClient client = new DefaultHttpClient();
 HttpGet getHttp = new HttpGet(url);

String content = null;

HttpResponse response;
 try {
  /* 获得信息载体 */
  response = client.execute(getHttp);
  HttpEntity entity = response.getEntity();

VisitedUrlQueue.addElem(url);

if (entity != null) {
   /* 转化为文本信息 */
   content = EntityUtils.toString(entity);

/* 判断是否符合下载网页源代码到本地的条件 */
   if (FunctionUtils.isCreateFile(url)
     && FunctionUtils.isHasGoalContent(content) != -1) {
    FunctionUtils.createFile(
      FunctionUtils.getGoalContent(content), url);
   }
  }

} catch (ClientProtocolException e) {
  e.printStackTrace();
 } catch (IOException e) {
  e.printStackTrace();
 } finally {
  client.getConnectionManager().shutdown();
 }

return content;
}

}

FunctionUtils.java 此类的方法均为static方法

package com.sreach.spider;

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.OutputStreamWriter;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
/**
* @author binghe
*/
public class FunctionUtils {

/**
 * 匹配超链接的正则表达式
 */
private static String pat = "http://www\\.oschina\\.net/code/explore/.*/\\w+\\.[a-zA-Z]+";
private static Pattern pattern = Pattern.compile(pat);

private static BufferedWriter writer = null;

/**
 * 爬虫搜索深度
 */
public static int depth = 0;

/**
 * 以"/"来分割URL,获得超链接的元素
 *
 * @param url
 * @return
 */
public static String[] divUrl(String url) {
 return url.split("/");
}

/**
 * 判断是否创建文件
 *
 * @param url
 * @return
 */
public static boolean isCreateFile(String url) {
 Matcher matcher = pattern.matcher(url);

return matcher.matches();
}

/**
 * 创建对应文件
 *
 * @param content
 * @param urlPath
 */
public static void createFile(String content, String urlPath) {
 /* 分割url */
 String[] elems = divUrl(urlPath);
 StringBuffer path = new StringBuffer();

File file = null;
 for (int i = 1; i < elems.length; i++) {
  if (i != elems.length - 1) {

path.append(elems[i]);
   path.append(File.separator);
   file = new File("D:" + File.separator + path.toString());

}

if (i == elems.length - 1) {
   Pattern pattern = Pattern.compile("\\w+\\.[a-zA-Z]+");
   Matcher matcher = pattern.matcher(elems[i]);
   if ((matcher.matches())) {
    if (!file.exists()) {
     file.mkdirs();
    }
    String[] fileName = elems[i].split("\\.");
    file = new File("D:" + File.separator + path.toString()
      + File.separator + fileName[0] + ".txt");
    try {
     file.createNewFile();
     writer = new BufferedWriter(new OutputStreamWriter(
       new FileOutputStream(file)));
     writer.write(content);
     writer.flush();
     writer.close();
     System.out.println("创建文件成功");
    } catch (IOException e) {
     e.printStackTrace();
    }

}
  }

}
}

/**
 * 获取页面的超链接并将其转换为正式的A标签
 *
 * @param href
 * @return
 */
public static String getHrefOfInOut(String href) {
 /* 内外部链接最终转化为完整的链接格式 */
 String resultHref = null;

/* 判断是否为外部链接 */
 if (href.startsWith("http://")) {
  resultHref = href;
 } else {
  /* 如果是内部链接,则补充完整的链接地址,其他的格式忽略不处理,如：a href="#" rel="external nofollow"  */
  if (href.startsWith("/")) {
   resultHref = "http://www.oschina.net" + href;
  }
 }

return resultHref;
}

/**
 * 截取网页网页源文件的目标内容
 *
 * @param content
 * @return
 */
public static String getGoalContent(String content) {
 int sign = content.indexOf("<pre class=\"");
 String signContent = content.substring(sign);

int start = signContent.indexOf(">");
 int end = signContent.indexOf("</pre>");

return signContent.substring(start + 1, end);
}

/**
 * 检查网页源文件中是否有目标文件
 *
 * @param content
 * @return
 */
public static int isHasGoalContent(String content) {
 return content.indexOf("<pre class=\"");
}
}

HrefOfPage.java 此类为获取页面的超链接

package com.sreach.spider;
/**
* @author binghe
*
*/
public class HrefOfPage {
/**
 * 获得页面源代码中超链接
 */
public static void getHrefOfContent(String content) {
 System.out.println("开始");
 String[] contents = content.split("<a href=\"");
 for (int i = 1; i < contents.length; i++) {
  int endHref = contents[i].indexOf("\"");

String aHref = FunctionUtils.getHrefOfInOut(contents[i].substring(
    0, endHref));

if (aHref != null) {
   String href = FunctionUtils.getHrefOfInOut(aHref);

if (!UrlQueue.isContains(href)
     && href.indexOf("/code/explore") != -1
     && !VisitedUrlQueue.isContains(href)) {
    UrlQueue.addElem(href);
   }
  }
 }

System.out.println(UrlQueue.size() + "--抓取到的连接数");
 System.out.println(VisitedUrlQueue.size() + "--已处理的页面数");
}
}

UrlDataHanding.java 此类主要是从未访问队列中获取url,下载页面，分析url，保存已访问url等操作，实现Runnable接口

package com.sreach.spider;
/**
* @author binghe
*
*/
public class UrlDataHanding implements Runnable {
/**
 * 下载对应页面并分析出页面对应的URL放在未访问队列中。
 *
 * @param url
 */
public void dataHanding(String url) {
 HrefOfPage.getHrefOfContent(DownloadPage.getContentFormUrl(url));
}

public void run() {
 while (!UrlQueue.isEmpty()) {
  dataHanding(UrlQueue.outElem());
 }
}
}

UrlQueue.java 此类主要是用来存放未访问的URL队列

package com.sreach.spider;

import java.util.LinkedList;
/**
* @author binghe
*
*/
public class UrlQueue {
/** 超链接队列 */
public static LinkedList<String> urlQueue = new LinkedList<String>();

/** 队列中对应最多的超链接数量 */
public static final int MAX_SIZE = 10000;

public synchronized static void addElem(String url) {
 urlQueue.add(url);
}

public synchronized static String outElem() {
 return urlQueue.removeFirst();
}

public synchronized static boolean isEmpty() {
 return urlQueue.isEmpty();
}

public static int size() {
 return urlQueue.size();
}

public static boolean isContains(String url) {
 return urlQueue.contains(url);
}
}

VisitedUrlQueue.java 主要是保存已访问过的URL，使用HashSet来保存，主要是考虑到每个访问过的URL是不同。HashSet刚好符合这个要求

package com.sreach.spider;

import java.util.HashSet;

/**
* 已访问url队列
* @author binghe
*
*/
public class VisitedUrlQueue {
public static HashSet<String> visitedUrlQueue = new HashSet<String>();

public synchronized static void addElem(String url) {
 visitedUrlQueue.add(url);
}

public synchronized static boolean isContains(String url) {
 return visitedUrlQueue.contains(url);
}

public synchronized static int size() {
 return visitedUrlQueue.size();
}
}

Test.java 此类为测试类

import java.sql.SQLException;

import com.sreach.spider.UrlDataHanding;
import com.sreach.spider.UrlQueue;
/**
* @author binghe
*
*/
public class Test {
public static void main(String[] args) throws SQLException {
 String url = "http://www.oschina.net/code/explore/achartengine/client/AndroidManifest.xml";
 String url1 = "http://www.oschina.net/code/explore";
 String url2 = "http://www.oschina.net/code/explore/achartengine";
 String url3 = "http://www.oschina.net/code/explore/achartengine/client";

UrlQueue.addElem(url);
 UrlQueue.addElem(url1);
 UrlQueue.addElem(url2);
 UrlQueue.addElem(url3);

UrlDataHanding[] url_Handings = new UrlDataHanding[10];

for (int i = 0; i < 10; i++) {
  url_Handings[i] = new UrlDataHanding();
  new Thread(url_Handings[i]).start();
 }

}
}

说明一下：由于我抓取的是针对oschina的，所以里面的url正则表达式不适合其他网站，需要自己修改一下。你也可以写成xml来配置。

来源：https://blog.csdn.net/l1028386804/article/details/118324379