1.网络爬虫是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始,获得初始网页上的URL,在抓取网页的过程中,不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。
2.那么程序获取网页的原理到底是怎么回事呢?看下面的图:客服端首先向服务器端发出Http请求,之后服务器端返回相应的结果或者请求超时客户端自己报错。
服务器端发出的Http请求,实际上说是对服务器的文件的请求。下面的表格是一些常见的HTTP请求对应的文件。(因为第一列给出的都是主机的网址信息,主机一般都通过配置文件将该请求转换为网站主页地址index.php或index.jsp或者index.html等)
3.Java爬虫的代码实现
1)dbcp.properties
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
`########DBCP配置文件########## #驱动名 driverClassName=com.mysql.jdbc.Driver #url url=jdbc:mysql://127.0.0.1:3306/peoper?useSSL=false #用户名 username=root #密码 password=sbj174615 #初试连接数 initialSize=30 #最大活跃数 maxTotal=30 #最大idle数 maxIdle=10 #最小idle数 minIdle=5 #最长等待时间(毫秒) maxWaitMillis=1000 #程序中的连接不使用后是否被连接池回收(该版本要使用removeAbandonedOnMaintenance和removeAbandonedOnBorrow) #removeAbandoned=true removeAbandonedOnMaintenance=true removeAbandonedOnBorrow=true #连接在所指定的秒数内未使用才会被删除(秒)(为配合测试程序才配置为1秒) removeAbandonedTimeout=1
2)DBCPUtil.java
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
package com.j1702.db; import java.io.FileInputStream; import java.sql.Connection; import java.sql.SQLException; import java.util.Properties; import javax.sql.DataSource; import org.apache.commons.dbcp2.BasicDataSourceFactory; /** * DBCP配置类 * @author SUN */ public class DBCPUtil { private static Properties properties = new Properties(); private static DataSource dataSource; //加载DBCP配置文件 static{ try{ properties.load(DBCPUtil.class.getClassLoader().getResourceAsStream("dbcp.properties")); dataSource = BasicDataSourceFactory.createDataSource(properties); }catch(Exception e){ e.printStackTrace(); } } //从连接池中获取一个连接 //从连接池中获取一个连接 public static Connection getConnection(){ Connection connection = null; try { connection = dataSource.getConnection(); connection.setAutoCommit(false); } catch (SQLException e) { e.printStackTrace(); } return connection; } }
3)java爬虫
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
package com.rimi.pachong; import java.io.BufferedReader; import java.io.IOException; import java.io.InputStream; import java.io.InputStreamReader; import java.net.HttpURLConnection; import java.net.MalformedURLException; import java.net.URL; import java.sql.Connection; import java.sql.PreparedStatement; import java.sql.SQLException; import java.util.LinkedHashMap; import java.util.Map; import java.util.regex.Matcher; import java.util.regex.Pattern; import com.j1702.db.DBCPUtil; public class pachong1 { public static void main(String[] args) { pachong1 videoLinkGrab = new pachong1(); videoLinkGrab.saveData("http://www.80s.tw/movie/list/q----"); } /** * 将获取到的数据保存在数据库中 * * @param baseUrl * 爬虫起点 * @return null * */ public void saveData(String baseUrl) { Map<String, Boolean> oldMap = new LinkedHashMap<String, Boolean>(); // 存储链接-是否被遍历 Map<String, String> videoLinkMap = new LinkedHashMap<String, String>(); // 视频下载链接 String oldLinkHost = ""; // host Pattern p = Pattern.compile("(https?://)?[^/\s]*"); // 比如:http://www.zifangsky.cn Matcher m = p.matcher(baseUrl); if (m.find()) { oldLinkHost = m.group(); } oldMap.put(baseUrl, false); videoLinkMap = crawlLinks(oldLinkHost, oldMap); // 遍历,然后将数据保存在数据库中 try { Connection connection=DBCPUtil.getConnection(); for (Map.Entry<String, String> mapping : videoLinkMap.entrySet()) { String sql ="insert into movie(MovieName,MovieLink) values(?,?)"; PreparedStatement ptmt =connection.prepareStatement(sql); ptmt.setString(1, mapping.getKey()); ptmt.setString(2, mapping.getValue()); ptmt.execute(); connection.commit(); // System.out.println(mapping.getKey() + " : " + mapping.getValue()); } connection.close(); } catch (SQLException e) { e.printStackTrace(); } } /** * 抓取一个网站所有可以抓取的网页链接,在思路上使用了广度优先算法 对未遍历过的新链接不断发起GET请求, 一直到遍历完整个集合都没能发现新的链接 * 则表示不能发现新的链接了,任务结束 * * 对一个链接发起请求时,对该网页用正则查找我们所需要的视频链接,找到后存入集合videoLinkMap * * @param oldLinkHost * 域名,如:http://www.zifangsky.cn * @param oldMap * 待遍历的链接集合 * * @return 返回所有抓取到的视频下载链接集合 * */ private Map<String, String> crawlLinks(String oldLinkHost, Map<String, Boolean> oldMap) { Map<String, Boolean> newMap = new LinkedHashMap<String, Boolean>(); // 每次循环获取到的新链接 Map<String, String> videoLinkMap = new LinkedHashMap<String, String>(); // 视频下载链接 String oldLink = ""; for (Map.Entry<String, Boolean> mapping : oldMap.entrySet()) { // System.out.println("link:" + mapping.getKey() + "--------check:" // + mapping.getValue()); // 如果没有被遍历过 if (!mapping.getValue()) { oldLink = mapping.getKey(); // 发起GET请求 try { URL url = new URL(oldLink); HttpURLConnection connection = (HttpURLConnection) url .openConnection(); connection.setRequestMethod("GET"); // connection.setConnectTimeout(6000); // connection.setReadTimeout(6000); if (connection.getResponseCode() == 200) { InputStream inputStream = connection.getInputStream(); BufferedReader reader = new BufferedReader( new InputStreamReader(inputStream, "UTF-8")); String line = ""; Pattern pattern = null; Matcher matcher = null; //电影详情页面,取出其中的视频下载链接,不继续深入抓取其他页面 if(isMoviePage(oldLink)){ boolean checkTitle = false; String title = ""; while ((line = reader.readLine()) != null) { //取出页面中的视频标题 if(!checkTitle){ pattern = Pattern.compile("([^\s]+).*?</title>"); matcher = pattern.matcher(line); if(matcher.find()){ title = matcher.group(1); checkTitle = true; continue; } } // 取出页面中的视频下载链接 pattern = Pattern .compile("(thunder:[^"]+).*thunder[rR]es[tT]itle="[^"]*""); matcher = pattern.matcher(line); if (matcher.find()) { videoLinkMap.put(title,matcher.group(1)); System.out.println("视频名称: " + title + " ------ 视频链接:" + matcher.group(1)); break; //当前页面已经检测完毕 } } } //电影列表页面 else if(checkUrl(oldLink)){ while ((line = reader.readLine()) != null) { pattern = Pattern .compile("<a href="([^"\s]*)""); matcher = pattern.matcher(line); while (matcher.find()) { String newLink = matcher.group(1).trim(); // 链接 // 判断获取到的链接是否以http开头 if (!newLink.startsWith("http")) { if (newLink.startsWith("/")) newLink = oldLinkHost + newLink; else newLink = oldLinkHost + "/" + newLink; } // 去除链接末尾的 / if (newLink.endsWith("/")) newLink = newLink.substring(0, newLink.length() - 1); // 去重,并且丢弃其他网站的链接 if (!oldMap.containsKey(newLink) && !newMap.containsKey(newLink) && (checkUrl(newLink) || isMoviePage(newLink))) { System.out.println("temp: " + newLink); newMap.put(newLink, false); } } } } reader.close(); inputStream.close(); } connection.disconnect(); } catch (MalformedURLException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } try { Thread.sleep(1000); } catch (InterruptedException e) { e.printStackTrace(); } oldMap.replace(oldLink, false, true); } } // 有新链接,继续遍历 if (!newMap.isEmpty()) { oldMap.putAll(newMap); videoLinkMap.putAll(crawlLinks(oldLinkHost, oldMap)); // 由于Map的特性,不会导致出现重复的键值对 } return videoLinkMap; } /** * 判断是否是2015年的电影列表页面 * @param url 待检查URL * @return 状态 * */ public boolean checkUrl(String url){ Pattern pattern = Pattern.compile("http://www.80s.tw/movie/list/q----\d*"); Matcher matcher = pattern.matcher(url); if(matcher.find()) return true; //2015年的列表 else return false; } /** * 判断页面是否是电影详情页面 * @param url 页面链接 * @return 状态 * */ public boolean isMoviePage(String url){ Pattern pattern = Pattern.compile("http://www.80s.tw/movie/\d+"); Matcher matcher = pattern.matcher(url); if(matcher.find()) return true; //电影页面 else return false; } }