zoukankan      html  css  js  c++  java
  • 每日博客

    java爬虫

    来自:Java爬虫之爬取数据_y……的博客-CSDN博客_java爬数据

    pom.xml

    <dependencies>
        <dependency>
            <groupId>com.googlecode.juniversalchardet</groupId>
            <artifactId>juniversalchardet</artifactId>
            <version>1.0.3</version>
        </dependency>
        <dependency>
            <groupId>org.kie.modules</groupId>
            <artifactId>org-apache-commons-httpclient</artifactId>
            <version>6.2.0.CR2</version>
            <type>pom</type>
        </dependency>
        <dependency>
            <groupId>org.jsoup</groupId>
            <artifactId>jsoup</artifactId>
            <version>1.10.3</version>
        </dependency>
    
    </dependencies>
    public interface LinkFilter {
        public boolean accept(String url);
    }
    public class Links {
    
        //已访问的 url 集合  已经访问过的 主要考虑 不能再重复了 使用set来保证不重复;
        private static Set visitedUrlSet = new HashSet();
    
        //待访问的 url 集合  待访问的主要考虑 1:规定访问顺序;2:保证不提供重复的带访问地址;
        private static LinkedList unVisitedUrlQueue = new LinkedList();
    
        //获得已经访问的 URL 数目
        public static int getVisitedUrlNum() {
            return visitedUrlSet.size();
        }
    
        //添加到访问过的 URL
        public static void addVisitedUrlSet(String url) {
            visitedUrlSet.add(url);
        }
    
        //移除访问过的 URL
        public static void removeVisitedUrlSet(String url) {
            visitedUrlSet.remove(url);
        }
    
    
    
        //获得 待访问的 url 集合
        public static LinkedList getUnVisitedUrlQueue() {
            return unVisitedUrlQueue;
        }
    
        // 添加到待访问的集合中  保证每个 URL 只被访问一次
        public static void addUnvisitedUrlQueue(String url) {
            if (url != null && !url.trim().equals("")  && !visitedUrlSet.contains(url)  && !unVisitedUrlQueue.contains(url)){
                unVisitedUrlQueue.add(url);
            }
        }
    
        //删除 待访问的url
        public static Object removeHeadOfUnVisitedUrlQueue() {
            return unVisitedUrlQueue.removeFirst();
        }
    
        //判断未访问的 URL 队列中是否为空
        public static boolean unVisitedUrlQueueIsEmpty() {
            return unVisitedUrlQueue.isEmpty();
        }
    
    }
    public class Page {
    
        private byte[] content;
        private String html;  //网页源码字符串
        private Document doc;//网页Dom文档
        private String charset;//字符编码
        private String url;//url路径
        private String contentType;// 内容类型
    
    
        public Page(byte[] content, String url, String contentType) {
            this.content = content;
            this.url = url;
            this.contentType = contentType;
        }
    
        public String getCharset() {
            return charset;
        }
    
        public String getUrl() {
            return url;
        }
    
        public String getContentType() {
            return contentType;
        }
    
        public byte[] getContent() {
            return content;
        }
    
        /**
         * 返回网页的源码字符串
         *
         * @return 网页的源码字符串
         */
        public String getHtml() {
            if (html != null) {
                return html;
            }
            if (content == null) {
                return null;
            }
            if (charset == null) {
                charset = CharsetDetector.guessEncoding(content); // 根据内容来猜测 字符编码
            }
            try {
                this.html = new String(content, charset);
                return html;
            } catch (UnsupportedEncodingException ex) {
                ex.printStackTrace();
                return null;
            }
        }
    
        /*
         *  得到文档
         * */
        public Document getDoc() {
            if (doc != null) {
                return doc;
            }
            try {
                this.doc = Jsoup.parse(getHtml(), url);
                return doc;
            } catch (Exception ex) {
                ex.printStackTrace();
                return null;
            }
        }
    
    }
    public class PageParserTool {
    
    
        /* 通过选择器来选取页面的 */
        public static Elements select(Page page , String cssSelector) {
            return page.getDoc().select(cssSelector);
        }
    
        /*
         *  通过css选择器来得到指定元素;
         *
         *  */
        public static Element select(Page page , String cssSelector, int index) {
            Elements eles = select(page , cssSelector);
            int realIndex = index;
            if (index < 0) {
                realIndex = eles.size() + index;
            }
            return eles.get(realIndex);
        }
    
    
        /**
         * 获取满足选择器的元素中的链接 选择器cssSelector必须定位到具体的超链接
         * 例如我们想抽取id为content的div中的所有超链接,这里
         * 就要将cssSelector定义为div[id=content] a
         *  放入set 中 防止重复;
         * @param cssSelector
         * @return
         */
        public static  Set<String> getLinks(Page page ,String cssSelector) {
            Set<String> links  = new HashSet<String>() ;
            Elements es = select(page , cssSelector);
            Iterator iterator  = es.iterator();
            while(iterator.hasNext()) {
                Element element = (Element) iterator.next();
                if ( element.hasAttr("href") ) {
                    links.add(element.attr("abs:href"));
                }else if( element.hasAttr("src") ){
                    links.add(element.attr("abs:src"));
                }
            }
            return links;
        }
    
    
    
        /**
         * 获取网页中满足指定css选择器的所有元素的指定属性的集合
         * 例如通过getAttrs("img[src]","abs:src")可获取网页中所有图片的链接
         * @param cssSelector
         * @param attrName
         * @return
         */
        public static ArrayList<String> getAttrs(Page page , String cssSelector, String attrName) {
            ArrayList<String> result = new ArrayList<String>();
            Elements eles = select(page ,cssSelector);
            for (Element ele : eles) {
                if (ele.hasAttr(attrName)) {
                    result.add(ele.attr(attrName));
                }
            }
            return result;
        }
    }
    public static Page  sendRequstAndGetResponse(String url) {
            Page page = null;
            // 1.生成 HttpClinet 对象并设置参数
            HttpClient httpClient = new HttpClient();
            // 设置 HTTP 连接超时 5s
            // 2.生成 GetMethod 对象并设置参数
            GetMethod getMethod = new GetMethod(url);
            // 设置 get 请求超时 5s
            // 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());
                }
                // 4.处理 HTTP 响应内容
                byte[] responseBody = getMethod.getResponseBody();// 读取为字节 数组
                String contentType = getMethod.getResponseHeader("Content-Type").getValue(); // 得到当前返回类型
                page = new Page(responseBody,url,contentType); //封装成为页面
            } 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 page;
        }
    public class CharsetDetector {
    
        //从Nutch借鉴的网页编码检测代码
        private static final int CHUNK_SIZE = 2000;
    
        private static Pattern metaPattern = Pattern.compile(
                "<meta\s+([^>]*http-equiv=("|')?content-type("|')?[^>]*)>",
                Pattern.CASE_INSENSITIVE);
        private static Pattern charsetPattern = Pattern.compile(
                "charset=\s*([a-z][_\-0-9a-z]*)", Pattern.CASE_INSENSITIVE);
        private static Pattern charsetPatternHTML5 = Pattern.compile(
                "<meta\s+charset\s*=\s*["']?([a-z][_\-0-9a-z]*)[^>]*>",
                Pattern.CASE_INSENSITIVE);
    
        //从Nutch借鉴的网页编码检测代码
        private static String guessEncodingByNutch(byte[] content) {
            int length = Math.min(content.length, CHUNK_SIZE);
    
            String str = "";
            try {
                str = new String(content, "ascii");
            } catch (UnsupportedEncodingException e) {
                return null;
            }
    
            Matcher metaMatcher = metaPattern.matcher(str);
            String encoding = null;
            if (metaMatcher.find()) {
                Matcher charsetMatcher = charsetPattern.matcher(metaMatcher.group(1));
                if (charsetMatcher.find()) {
                    encoding = new String(charsetMatcher.group(1));
                }
            }
            if (encoding == null) {
                metaMatcher = charsetPatternHTML5.matcher(str);
                if (metaMatcher.find()) {
                    encoding = new String(metaMatcher.group(1));
                }
            }
            if (encoding == null) {
                if (length >= 3 && content[0] == (byte) 0xEF
                        && content[1] == (byte) 0xBB && content[2] == (byte) 0xBF) {
                    encoding = "UTF-8";
                } else if (length >= 2) {
                    if (content[0] == (byte) 0xFF && content[1] == (byte) 0xFE) {
                        encoding = "UTF-16LE";
                    } else if (content[0] == (byte) 0xFE
                            && content[1] == (byte) 0xFF) {
                        encoding = "UTF-16BE";
                    }
                }
            }
    
            return encoding;
        }
    
        /**
         * 根据字节数组,猜测可能的字符集,如果检测失败,返回utf-8
         *
         * @param bytes 待检测的字节数组
         * @return 可能的字符集,如果检测失败,返回utf-8
         */
        public static String guessEncodingByMozilla(byte[] bytes) {
            String DEFAULT_ENCODING = "UTF-8";
            UniversalDetector detector = new UniversalDetector(null);
            detector.handleData(bytes, 0, bytes.length);
            detector.dataEnd();
            String encoding = detector.getDetectedCharset();
            detector.reset();
            if (encoding == null) {
                encoding = DEFAULT_ENCODING;
            }
            return encoding;
        }
    
        /**
         * 根据字节数组,猜测可能的字符集,如果检测失败,返回utf-8
         * @param content 待检测的字节数组
         * @return 可能的字符集,如果检测失败,返回utf-8
         */
        public static String guessEncoding(byte[] content) {
            String encoding;
            try {
                encoding = guessEncodingByNutch(content);
            } catch (Exception ex) {
                return guessEncodingByMozilla(content);
            }
    
            if (encoding == null) {
                encoding = guessEncodingByMozilla(content);
                return encoding;
            } else {
                return encoding;
            }
        }
    }
    public class FileTool {
    
        private static String dirPath;
    
    
        /**
         * getMethod.getResponseHeader("Content-Type").getValue()
         * 根据 URL 和网页类型生成需要保存的网页的文件名,去除 URL 中的非文件名字符
         */
        private static String getFileNameByUrl(String url, String contentType) {
            //去除 http://
            url = url.substring(7);
            //text/html 类型
            if (contentType.indexOf("html") != -1) {
                url = url.replaceAll("[\?/:*|<>"]", "_") + ".html";
                return url;
            }
            //如 application/pdf 类型
            else {
                return url.replaceAll("[\?/:*|<>"]", "_") + "." +
                        contentType.substring(contentType.lastIndexOf("/") + 1);
            }
        }
    
        /*
         *  生成目录
         * */
        private static void mkdir() {
            if (dirPath == null) {
                dirPath = Class.class.getClass().getResource("/").getPath() + "temp\";
            }
            File fileDir = new File(dirPath);
            if (!fileDir.exists()) {
                fileDir.mkdir();
            }
        }
    
        /**
         * 保存网页字节数组到本地文件,filePath 为要保存的文件的相对地址
         */
    
        public static void saveToLocal(Page page) {
            mkdir();
            String fileName =  getFileNameByUrl(page.getUrl(), page.getContentType()) ;
            String filePath = dirPath + fileName ;
            byte[] data = page.getContent();
            try {
                DataOutputStream out = new DataOutputStream(new FileOutputStream(new File(filePath)));
                // for (int i = 0; i < data.length; i++) {
                //     out.write(data[i]);
                // }
                out.write(data);
                out.flush();
                out.close();
                System.out.println("文件:"+ fileName + "已经被存储在"+ filePath  );
            } catch (IOException e) {
                e.printStackTrace();
            }
        }
    
    }
    public RegexRule addRule(String rule) {
            if (rule.length() == 0) {
                return this;
            }
            char pn = rule.charAt(0);
            String realrule = rule.substring(1);
            if (pn == '+') {
                addPositive(realrule);
            } else if (pn == '-') {
                addNegative(realrule);
            } else {
                addPositive(rule);
            }
            return this;
        }
    public void crawling(String[] seeds) {
    
            //初始化 URL 队列
            initCrawlerWithSeeds(seeds);
    
            //定义过滤器,提取以 http://www.baidu.com 开头的链接
            LinkFilter filter = new LinkFilter() {
                public boolean accept(String url) {
                    if (url.startsWith("你想爬取的网站"))
                        return true;
                    else
                        return false;
                }
            };
    
            //循环条件:待抓取的链接不空且抓取的网页不多于 1000
            while (!Links.unVisitedUrlQueueIsEmpty()  && Links.getVisitedUrlNum() <= 1000) {
    
                //先从待访问的序列中取出第一个;
                String visitUrl = (String) Links.removeHeadOfUnVisitedUrlQueue();
                if (visitUrl == null){
                    continue;
                }
    
                //根据URL得到page;
                Page page = RequestAndResponseTool.sendRequstAndGetResponse(visitUrl);
    
                //对page进行处理: 访问DOM的某个标签
                Elements es = PageParserTool.select(page,"a");
                if(!es.isEmpty()){
                    System.out.println("下面将打印所有a标签: ");
                    System.out.println(es);
                }
    
                //将保存文件
                FileTool.saveToLocal(page);
    
                //将已经访问过的链接放入已访问的链接中;
                Links.addVisitedUrlSet(visitUrl);
    
                //得到超链接
                Set<String> links = PageParserTool.getLinks(page,"img");
                for (String link : links) {
                    Links.addUnvisitedUrlQueue(link);
                    System.out.println("新增爬取路径: " + link);
                }
            }
        }
  • 相关阅读:
    mvc判断用户使用的手机或电脑或平板访问程序的方法
    把数据复制到剪切板
    wenform控件fileupload上传文件
    <input type="file">上传文件
    一般处理程序中删除文件
    Ajax中用layer弹出层并刷新页面的方法
    Yii CDBCriteria常用方法(转)
    PHP错位类型及屏蔽方式
    php网站高并发 大流量访问的处理及解决方法
    高并发量网站解决方案
  • 原文地址:https://www.cnblogs.com/hfy717/p/14904941.html
Copyright © 2011-2022 走看看