搜索引擎Nutch源代码研究之一+网页抓取(2)

今天我们来看看Nutch的源代码中的protocol-http插件，是如何抓取和下载web页面的。protocol-http就两个类HttpRespose和Http类，其中HttpRespose主要是向web服务器发请求来获取响应，从而下载页面。Http类则非常简单，其实可以说是HttpResponse的一个Facade,设置配置信息，然后创建HttpRespose。用户似乎只需要和Http类打交道就行了（我也没看全，所以只是猜测）。

我们来看看HttpResponse类：

看这个类的源码需要从构造函数

public HttpResponse(HttpBase http, URL url, CrawlDatum datum) throws ProtocolException, IOException开始

首先判断协议是否为http

代码

if (!"http".equals(url.getProtocol()))

throw new HttpException("Not an HTTP url:" + url);

获得路径，如果url.getFile()的为空直接返回”/”,否则返回url.getFile()

String path = "".equals(url.getFile()) ? "/" : url.getFile();

然后根据url获取到主机名和端口名。如果端口不存在，则端口默认为80，请求的地址将不包括端口号portString= ""，否则获取到端口号，并得到portString

代码

String host = url.getHost();

int port;

String portString;

if (url.getPort() == -1) {

port= 80;

portString= "";

} else {

port= url.getPort();

portString= ":" + port;

}

然后创建socket，并且设置连接超时的时间：

代码

socket = new Socket(); // create the socket socket.setSoTimeout(http.getTimeout());

根据是否使用代理来得到socketHost和socketPort:

代码

String sockHost = http.useProxy() ? http.getProxyHost() : host;

int sockPort = http.useProxy() ? http.getProxyPort() : port;

创建InetSocketAddress，并且开始建立连接：

代码

InetSocketAddress sockAddr= new InetSocketAddress(sockHost, sockPort);

socket.connect(sockAddr, http.getTimeout());

获取输入流：

代码

// make request

OutputStream req = socket.getOutputStream();

以下代码用来向服务器发Get请求：

代码

StringBuffer reqStr = new StringBuffer("GET ");

if (http.useProxy()) {

reqStr.append(url.getProtocol()+"://"+host+portString+path);

} else {

reqStr.append(path);

}

reqStr.append(" HTTP/1.0\r\n");

reqStr.append("Host: ");

reqStr.append(host);

reqStr.append(portString);

reqStr.append("\r\n");

reqStr.append("Accept-Encoding: x-gzip, gzip\r\n");

String userAgent = http.getUserAgent();

if ((userAgent == null) || (userAgent.length() == 0)) {

if (Http.LOG.isFatalEnabled()) { Http.LOG.fatal("User-agent is not set!"); }

} else {

reqStr.append("User-Agent: ");

reqStr.append(userAgent);

reqStr.append("\r\n");

}

reqStr.append("\r\n");

byte[] reqBytes= reqStr.toString().getBytes();

req.write(reqBytes);

req.flush();

接着来处理相应，获得输入流并且包装成PushbackInputStream来方便操作：

代码

PushbackInputStream in = // process response

new PushbackInputStream(

new BufferedInputStream(socket.getInputStream(), Http.BUFFER_SIZE),

Http.BUFFER_SIZE) ;

提取状态码和响应中的HTML的header：

代码

boolean haveSeenNonContinueStatus= false;

while (!haveSeenNonContinueStatus) {

// parse status code line

this.code = parseStatusLine(in, line);

// parse headers

parseHeaders(in, line);

haveSeenNonContinueStatus= code != 100; // 100 is "Continue"

}

接着读取内容：

代码

readPlainContent(in);

获取内容的格式，如果是压缩的则处理压缩

代码

String contentEncoding = getHeader(Response.CONTENT_ENCODING);

if ("gzip".equals(contentEncoding) || "x-gzip".equals(contentEncoding)) {

content = http.processGzipEncoded(content, url);

} else {

if (Http.LOG.isTraceEnabled()) {

Http.LOG.trace("fetched " + content.length + " bytes from " + url);

}

}

整个过程结束。

下面我们来看看parseStatusLine parseHeaders readPlainContent以及readChunkedContent的过程。

private int parseStatusLine(PushbackInputStream in, StringBuffer line)

throws IOException, HttpException：

这个函数主要来提取响应得状态，例如200 OK这样的状态码：

请求的状态行一般格式（例如响应Ok的话） HTTP/1.1 200" 或 "HTTP/1.1 200 OK

代码

int codeStart = line.indexOf(" ");

int codeEnd = line.indexOf(" ", codeStart+1);

如果是第一种情况：

代码

if (codeEnd == -1)

codeEnd = line.length();

状态码结束（200）位置便是line.length()

否则状态码结束（200）位置就是line.indexOf(" ", codeStart+1);

接着开始提取状态码：

代码

int code;

try {

code= Integer.parseInt(line.substring(codeStart+1, codeEnd));

} catch (NumberFormatException e) {

throw new HttpException("bad status line '" + line

+ "': " + e.getMessage(), e);

}

下面看看

代码

private void parseHeaders(PushbackInputStream in, StringBuffer line)

throws IOException, HttpException：

这个函数主要是将响应的headers加入我们已经建立的结构header的Metadata中。

一个循环读取headers:

一般HTTP response的header部分和内容部分会有一个空行，使用readLine如果是空行就会返回读取的字符数为0，具体readLine实现看完这个函数在仔细看：

while (readLine(in, line, true) != 0)

如果没有空行，那紧接着就是正文了，正文一般会以<!DOCTYPE、<HTML、<html开头。如果读到的一行中包含这个，那么header部分就读完了。

代码

// handle HTTP responses with missing blank line after headers

int pos;

if ( ((pos= line.indexOf("<!DOCTYPE")) != -1)

|| ((pos= line.indexOf("<HTML")) != -1)

|| ((pos= line.indexOf("<html")) != -1) )

接着把多读的那部分压回流中,并设置那一行的长度为pos

代码

in.unread(line.substring(pos).getBytes("UTF-8"));

line.setLength(pos);

接着把对一行的处理委托给processHeaderLine(line)来处理：

代码

try {

//TODO: (CM) We don't know the header names here

//since we're just handling them generically. It would

//be nice to provide some sort of mapping function here

//for the returned header names to the standard metadata

//names in the ParseData class

processHeaderLine(line);

} catch (Exception e) {

// fixme:

e.printStackTrace(LogUtil.getErrorStream(Http.LOG));

}

return;

}

processHeaderLine(line);

下面我们看看如何处理一行header的：

private void processHeaderLine(StringBuffer line)

throws IOException, HttpException

请求的头一般格式：

Cache-Control: private

Date: Fri, 14 Dec 2007 15:32:06 GMT

Content-Length: 7602

Content-Type: text/html

Server: Microsoft-IIS/6.0

这样我们就比较容易理解下面的代码了：

代码

int colonIndex = line.indexOf(":"); // key is up to colon

如果没有”:”并且这行不是空行则抛出HttpException异常

代码

if (colonIndex == -1) {

int i;

for (i= 0; i < line.length(); i++)

if (!Character.isWhitespace(line.charAt(i)))

break;

if (i == line.length())

return;

throw new HttpException("No colon in header:" + line);

}

否则，可以可以提取出键-值对了：

key为0~colonIndex部分,然后过滤掉开始的空白字符，作为value部分。

最后放到headers中：

代码

String key = line.substring(0, colonIndex);

int valueStart = colonIndex+1; // skip whitespace

while (valueStart < line.length()) {

int c = line.charAt(valueStart);

if (c != ' ' && c != '\t')

break;

valueStart++;

}

String value = line.substring(valueStart);

headers.set(key, value);

下面我们看看用的比较多的辅助函数

private static int readLine(PushbackInputStream in, StringBuffer line,

boolean allowContinuedLine) throws IOException

代码的实现：

开始设置line的长度为0不断的读，直到c!=-1,对于每个c:

如果是\r并且下一个字符是\n则读入\r,如果是\n,并且如果line.length() > 0，也就是这行前面已经有非空白字符，并且还允许连续行，在读一个字符，如果是’ ’或者是\t说明此行仍未结束，读入该字符，一行结束，返回读取的实际长度。其他情况下直接往line追加所读的字符：

代码

line.setLength(0);

for (int c = in.read(); c != -1; c = in.read()) {

switch (c) {

case '\r':

if (peek(in) == '\n') {

in.read();

}

case '\n':

if (line.length() > 0) {

// at EOL -- check for continued line if the current

// (possibly continued) line wasn't blank

if (allowContinuedLine)

switch (peek(in)) {

case ' ' : case '\t': // line is continued

in.read();

continue;

}

}

return line.length(); // else complete

default :

line.append((char)c);

}

}

throw new EOFException();

}

接着看如何读取内容的，也就是

private void readPlainContent(InputStream in)

throws HttpException, IOException的实现：

首先从headers（在此之前已经读去了headers放到metadata中了）中获取响应的长度，

代码

int contentLength = Integer.MAX_VALUE; // get content length

String contentLengthString = headers.get(Response.CONTENT_LENGTH);

if (contentLengthString != null) {

contentLengthString = contentLengthString.trim();

try {

contentLength = Integer.parseInt(contentLengthString);

} catch (NumberFormatException e) {

throw new HttpException("bad content length: "+contentLengthString);

}

}

如果大于http.getMaxContent()（这个值在配置文件中http.content.limit来配置），

则截取maxContent那么长的字段：

代码

if (http.getMaxContent() >= 0

&& contentLength > http.getMaxContent()) // limit download size

contentLength = http.getMaxContent();

ByteArrayOutputStream out = new ByteArrayOutputStream(Http.BUFFER_SIZE);

byte[] bytes = new byte[Http.BUFFER_SIZE];

int length = 0; // read content

for (int i = in.read(bytes); i != -1; i = in.read(bytes)) {

out.write(bytes, 0, i);

length += i;

if (length >= contentLength)

break;

}

content = out.toByteArray();

}