JAVA实现网络爬虫

简介

　　“网络蜘蛛”或者说“网络爬虫”，是一种能访问网站并跟踪链接的程序，通过它，可快速地画出一个网站所包含的网页地图信息。本文主要讲述如何使用Java编程来构建一个“蜘蛛”，我们会先以一个可复用的蜘蛛类包装一个基本的“蜘蛛”，并在示例程序中演示如何创建一个特定的“蜘蛛”来扫描相关网站并找出死链接。

　　Java语言在此非常适合构建一个“蜘蛛”程序，其内建了对HTTP协议的支持，通过它可以传输大部分的网页信息;其还内建了一个HTML解析器，正是这两个原因使Java语言成为本文构建“蜘蛛”程序的首选。

　　使用“蜘蛛”

　　文章后面例1的示例程序，将会扫描一个网站，并寻找死链接。使用这个程序时需先输入一个URL并单击“Begin”按钮，程序开始之后，“Begin”按钮会变成“Cancel”按钮。在程序扫描网站期间，会在“Cancel”按钮之下显示进度，且在检查当前网页时，也会显示相关正常链接与死链接的数目，死链接将显示在程序底部的滚动文本框中。单击“Cancel”按钮会停止扫描过程，之后可以输入一个新的URL;如果期间没有单击“Cancel”，程序将会一直运行直到查找完所有网页，此后，“Cancel”按钮会再次变回“Begin”，表示程序已停止。

　　下面将演示示例程序是如何与可复用“Spider”类交互的，示例程序包含在例1的CheckLinks类中，这个类实现了ISpiderReportable接口，如例2所示，正是通过这个接口，蜘蛛类才能与示例程序相交互。在这个接口中，定义了三个方法：第一个方法是“spiderFoundURL”，它在每次程序定位一个URL时被调用，如果方法返回true，表示程序应继续执行下去并找出其中的链接;第二个方法是“spiderURLError”，它在每次程序检测URL导致错误时被调用(如“404 页面未找到”);第三个方法是“spiderFoundEMail”，它在每次发现电子邮件地址时被调用。有了这三个方法，Spider类就能把相关信息反馈给创建它的程序了。

　　在begin方法被调用后，“蜘蛛”就开始工作了;为允许程序重绘其用户界面，“蜘蛛”是作为一个单独的线程启动的。点击“Begin”按钮会开始这个后台线程，当后台线程运行之后，又会调用“CheckLinks”类的run方法，而run方法是由Spider对象实例化时启动的，如下所示：

　　spider = new Spider(this);

　　spider.clear();

　　base = new URL(url.getText());

　　spider.addURL(base);

　　spider.begin();

　　首先，一个新的Spider对象被实例化，在此，需要传递一个“ISpiderReportable”对象给Spider对象的构造函数，因为“CheckLinks”类实现了“ISpiderReportable”接口，只需简单地把它作为当前对象(可由关键字this表示)传递给构造函数即可;其次，在程序中维护了一个其访问过的URL列表，而“clear”方法的调用则是为了确保程序开始时URL列表为空，程序开始运行之前必须添加一个URL到它的待处理列表中，此时用户输入的URL则是添加到列表中的第一个，程序就由扫描这个网页开始，并找到与这个起始URL相链接的其他页面;最后，调用“begin”方法开始运行“蜘蛛”，这个方法直到“蜘蛛”工作完毕或用户取消才会返回。

　　当“蜘蛛”运行时，可以调用由“ISpiderReportable”接口实现的三个方法来报告程序当前状态，程序的大部分工作都是由“spiderFoundURL”方法来完成的，当“蜘蛛”发现一个新的URL时，它首先检查其是否有效，如果这个URL导致一个错误，就会把它当作一个死链接;如果链接有效，就会继续检查它是否在一个不同的服务器上，如果链接在同一服务器上，“spiderFoundURL”返回true，表示“蜘蛛”应继续跟踪这个URL并找出其他链接，如果链接在另外的服务器上，就不会扫描是否还有其他链接，因为这会导致“蜘蛛”不断地浏览Internet，寻找更多、更多的网站，所以，示例程序只会查找用户指定网站上的链接。

　　构造Spider类

　　前面已经讲了如何使用Spider类，请看例3中的代码。使用Spider类及“ISpiderReportable”接口能方便地为某一程序添加“蜘蛛”功能，下面继续讲解Spider类是怎样工作的。

　　Spider类必须保持对其访问过的URL的跟踪，这样做的目的是为了确保“蜘蛛”不会访问同一URL一次以上;进一步来说，“蜘蛛”必须把URL分成三组，第一组存储在“workloadWaiting”属性中，包含了一个未处理的URL列表，“蜘蛛”要访问的第一个URL也存在其中;第二组存储在“workloadProcessed”中，它是“蜘蛛”已经处理过且无需再次访问的URL;第三组存储在“workloadError”中，包含了发生错误的URL。

　　Begin方法包含了Spider类的主循环，其一直重复遍历“workloadWaiting”，并处理其中的每一个页面，当然我们也想到了，在这些页面被处理时，很可能有其他的URL添加到“workloadWaiting”中，所以，begin方法一直继续此过程，直到调用Spider类的cancel方法，或“workloadWaiting”中已不再剩有URL。这个过程如下：

　　cancel = false;

　　while ( !getWorkloadWaiting().isEmpty() && !cancel ) {

　　Object list[] = getWorkloadWaiting().toArray();

　　for ( int i=0;(i

　　processURL((URL)list[i]);

　　}

　　当上述代码遍历“workloadWaiting”时，它把每个需处理的URL都传递给“processURL”方法，而这个方法才是真正读取并解析URL中HTML信息的。

　　读取并解析HTML

　　Java同时支持访问URL内容及解析HTML，而这正是“processURL”方法要做的。在Java中读取URL内容相对还比较简单，下面就是“processURL”方法实现此功能的代码：

　　URLConnection 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;

　　}

　　首先，为每个传递进来的变量url中存储的URL构造一个“URLConnection”对象，因为网站上会有多种类型的文档，而“蜘蛛”只对那些包含HTML，尤其是基于文本的文档感兴趣。前述代码是为了确保文档内容以“text/”打头，如果文档类型为非文本，会从等待区移除此URL，并把它添加到已处理区，这也是为了保证不会再次访问此URL。

　　在对特定URL建立连接之后，接下来就要解析其内容了。下面的代码打开了URL连接，并读取内容：

　　InputStream is = connection.getInputStream();

　　Reader r = new InputStreamReader(is);

　　现在，我们有了一个Reader对象，可以用它来读取此URL的内容，对本文中的“蜘蛛”来说，只需简单地把其内容传递给HTML解析器就可以了。本例中使用的HTML解析器为Swing HTML解析器，其由Java内置，但由于Java对HTML解析的支持力度不够，所以必须重载一个类来实现对HTML解析器的访问，这就是为什么我们要调用“HTMLEditorKit”类中的“getParser”方法。但不幸的是，Sun公司把这个方法置为protected，唯一的解决办法就是创建自己的类并重载“getParser”方法，并把它置为public，这由“HTMLParse”类来实现，请看例4：

　　import javax.swing.text.html.*;

　　public class HTMLParse extends HTMLEditorKit {

　　public HTMLEditorKit.Parser getParser()

　　{

　　return super.getParser();

　　}

　　}

　　这个类用在Spider类的“processURL”方法中，我们也会看到，Reader对象会用于读取传递到“HTMLEditorKit.Parser”中网页的内容：

　　HTMLEditorKit.Parser parse = new HTMLParse().getParser();

　　parse.parse(r,new Parser(url),true);

　　请留意，这里又构造了一个新的Parser类，这个Parser类是一个Spider类中的内嵌类，而且还是一个回调类，它包含了对应于每种HTML tag将要调用的特定方法。在本文中，我们只需关心两类回调函数，它们分别对应一个简单tag(即不带结束tag的tag，如<br>)和一个开始tag，这两类回调函数名为“handleSimpleTag”和“handleStartTag”。因为每种的处理过程都是一样的，所以“handleStartTag”方法仅是简单地调用“handleSimpleTag”，而“handleSimpleTag”则会负责从文档中取出超链接，这些超链接将会用于定位“蜘蛛”要访问的其他页面。在当前tag被解析时，“handleSimpleTag”会检查是否存在一个“href”或超文本引用：

　　String href = (String)a.getAttribute(HTML.Attribute.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”属性，会继续检查当前tag是否为一个Frame，Frame会使用一个“src”属性指向其他页面，一个典型的超链接通常为以下形式：

　　<a href="linkedpage.html">Click Here</a>

　　上面链接中的“href”属性指向其链接到的页面，但是“linkedpage.html”不是一个地址，它只是指定了这个Web服务器上一个页面上的某处，这称为相对URL，相对URL必须被解析为绝对URL，而这由以下代码完成：

　　URL url = new URL(base,str);

　　这又会构造一个URL，str为相对URL，base为这个URL上的页面，这种形式的URL类构造函数可构造一个绝对URL。在URL变为正确的绝对形式之后，通过检查它是否在等待区，来确认此URL是否已经被处理过。如果此URL没有被处理过，它会添加到等待区，之后，它会像其他URL一样被处理。

　　例1：查找死链接(ChcekLinks.java)

　　import java.awt.*;

　　import javax.swing.*;

　　import java.net.*;

　　import java.io.*;

　　public class CheckLinks extends javax.swing.JFrame implements

　　Runnable,ISpiderReportable {

　　public CheckLinks()

　　{

　　//{{INIT_CONTROLS

　　setTitle("找到死链接");

　　getContentPane().setLayout(null);

　　setSize(405,288);

　　setVisible(false);

　　label1.setText("输入一个URL：");

　　getContentPane().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.

　　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.getViewport().add(errors);

　　errors.setBounds(0,0,366,138);

　　current.setText("当前处理进度：");

　　getContentPane().add(current);

　　current.setBounds(12,72,384,12);

　　goodLinksLabel.setText("正常链接:0");

　　getContentPane().add(goodLinksLabel);

　　goodLinksLabel.setBounds(12,96,192,12);

　　badLinksLabel.setText("死链接:0");

　　getContentPane().add(badLinksLabel);

　　badLinksLabel.setBounds(216,96,96,12);

　　//}}

　　//{{INIT_MENUS

　　//}}

　　//{{REGISTER_LISTENERS

　　SymAction lSymAction = new SymAction();

　　begin.addActionListener(lSymAction);

　　//}}

　　}

　　/**

　　*参数args未使用

　　*/

　　static public void main(String args[])

　　{

　　(new CheckLinks()).setVisible(true);

　　}

　　/**

　　*添加通知

　　*/

　　public void addNotify()

　　{

　　//记录窗口尺寸并调用父类的addNotify.

　　Dimension size = getSize();

　　super.addNotify();

　　if ( frameSizeAdjusted )

　　return;

　　frameSizeAdjusted = true;

　　//根据菜单栏等调整Frame尺寸

　　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 +

　　menuBarHeight);

　　}

　　boolean frameSizeAdjusted = false;

　　//{{DECLARE_CONTROLS

　　javax.swing.JLabel label1 = new javax.swing.JLabel();

　　javax.swing.JButton begin = new javax.swing.JButton();

　　javax.swing.JTextField url = new javax.swing.JTextField();

　　javax.swing.JScrollPane errorScroll =

　　new javax.swing.JScrollPane();

　　/**

　　*存储错误信息

　　*/

　　javax.swing.JTextArea errors = new javax.swing.JTextArea();

　　javax.swing.JLabel current = new javax.swing.JLabel();

　　javax.swing.JLabel goodLinksLabel = new javax.swing.JLabel();

　　javax.swing.JLabel badLinksLabel = new javax.swing.JLabel();

　　//}}

　　//{{DECLARE_MENUS

　　//}}

　　/**

　　*后台蜘蛛线程

　　*/

　　protected Thread backgroundThread;

　　protected Spider spider;

　　protected URL base;

　　protected int badLinksCount = 0;

　　protected int goodLinksCount = 0;

　　/**

　　*用于分发事件的内部类

　　*/

　　class SymAction implements java.awt.event.ActionListener {

　　public void actionPerformed(java.awt.event.ActionEvent event)

　　{

　　Object object = event.getSource();

　　if ( object == begin )

　　begin_actionPerformed(event);

　　}

　　}

　　/**

　　*当begin或cancel按钮被点击时调用

　　*

　　*参数event与按钮相连

　　*/

　　void begin_actionPerformed(java.awt.event.ActionEvent event)

　　{

　　if ( backgroundThread==null ) {

　　begin.setLabel("Cancel");

　　backgroundThread = new Thread(this);

　　backgroundThread.start();

　　goodLinksCount=0;

　　badLinksCount=0;

　　} else {

　　spider.cancel();

　　}

　　}

　　/**

　　*执行后台线程操作

　　*/

　　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 ( MalformedURLException e ) {

　　UpdateErrors err = new UpdateErrors();

　　err.msg = "错误地址。";

　　SwingUtilities.invokeLater(err);

　　}

　　}

　　/**

　　*当找到某一URL时由蜘蛛调用，在此验证链接。

　　*

　　*参数base是找到链接时的页面

　　*参数url是链接地址

　　*/

　　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);

　　badLinksCount++;

　　return false;

　　}

　　goodLinksCount++;

　　if ( !url.getHost().equalsIgnoreCase(base.getHost()) )

　　return false;

　　else

　　return true;

　　}

　　/**

　　*当发现URL错误时调用

　　*

　　*参数url是导致错误的URL

　　*/

　　public void spiderURLError(URL url)

　　{

　　}

　　/**

　　*由内部调用检查链接是否有效

　　*

　　*参数url是被检查的链接

　　*返回True表示链接正常有效

　　*/

　　protected boolean checkLink(URL url)

　　{

　　try {

　　URLConnection connection = url.openConnection();

　　connection.connect();

　　return true;

　　} catch ( IOException e ) {

　　return false;

　　}

　　}

　　/**

　　*当蜘蛛找到电子邮件地址时调用

　　*

　　*参数email为找到的电子邮件地址

　　*/

　　public void spiderFoundEMail(String email)

　　{

　　}

　　/**

　　*以线程安全方式更新错误信息的内部类

　　*/

　　class UpdateErrors implements Runnable {

　　public String msg;

　　public void run()

　　{

　　errors.append(msg);

　　}

　　}

　　/**

　　*以线程安全方式更新当前状态信息

　　*/

　　class UpdateCurrentStats implements Runnable {

　　public String msg;

　　public void run()

　　{

　　current.setText("当前进度：" + msg );

　　goodLinksLabel.setText("正常链接：" + goodLinksCount);

　　badLinksLabel.setText("死链接：" + badLinksCount);

　　}

　　}

　　}

　　例2：报告蜘蛛事件(ISpiderReportable.java)

　　import java.net.*;

　　interface ISpiderReportable {

　　public boolean spiderFoundURL(URL base,URL url);

　　public void spiderURLError(URL url);

　　public void spiderFoundEMail(String email);

　　}

　　例3：可复用的蜘蛛类(Spider.java)

　　import java.util.*;

　　import java.net.*;

　　import java.io.*;

　　import javax.swing.text.*;

　　import javax.swing.text.html.*;

　　public class Spider {

　　/**

　　*导致错误的URL集合

　　*/

　　protected Collection workloadError = new ArrayList(3);

　　/**

　　*等待区URL集合

　　*/

　　protected Collection workloadWaiting = new ArrayList(3);

　　/**

　　*处理过的URL集合

　　*/

　　protected Collection workloadProcessed = new ArrayList(3);

　　protected ISpiderReportable report;

　　/**

　　*表明处理过程是否应取消的标志

　　*/

　　protected boolean cancel = false;

　　/**

　　*构造函数

　　*

　　*参数report为实现了ISpiderReportable接口的类

　　*/

　　public Spider(ISpiderReportable report)

　　{

　　this.report = report;

　　}

　　/**

　　*获取导致错误的URL

　　*/

　　public Collection getWorkloadError()

　　{

　　return workloadError;

　　}

　　/**

　　*获取在等待的URL

　　*应添加至少一个URL到此集合以启动蜘蛛

　　*/

　　public Collection getWorkloadWaiting()

　　{

　　return workloadWaiting;

　　}

　　/**

　　*获取被处理过的URL

　　*/

　　public Collection getWorkloadProcessed()

　　{

　　return workloadProcessed;

　　}

　　/**

　　*清空所有

　　*/

　　public void clear()

　　{

　　getWorkloadError().clear();

　　getWorkloadWaiting().clear();

　　getWorkloadProcessed().clear();

　　}

　　/**

　　*设置一标志，使begin方法在完成之前返回

　　*/

　　public void cancel()

　　{

　　cancel = true;

　　}

　　public void addURL(URL url)

　　{

　　if ( getWorkloadWaiting().contains(url) )

　　return;

　　if ( getWorkloadError().contains(url) )

　　return;

　　if ( getWorkloadProcessed().contains(url) )

　　return;

　　log("正添加到工作区：" + url );

　　getWorkloadWaiting().add(url);

　　}

　　public void processURL(URL url)

　　{

　　try {

　　log("正在处理：" + url );

　　//获取URL的内容

　　URLConnection connection = url.openConnection();

　　if ( (connection.getContentType()!=null) &&

　　!connection.getContentType().toLowerCase().s

　　tartsWith("text/") ) {

　　getWorkloadWaiting().remove(url);

　　getWorkloadProcessed().add(url);

　　log("不会进行正理，因为类型为：" +

　　connection.getContentType() );

　　return;

　　}

　　//读取URL

　　InputStream is = connection.getInputStream();

　　Reader r = new InputStreamReader(is);

　　//解析URL

　　HTMLEditorKit.Parser parse = new HTMLParse().getParser();

　　parse.parse(r,new Parser(url),true);

　　} catch ( IOException e ) {

　　getWorkloadWaiting().remove(url);

　　getWorkloadError().add(url);

　　log("错误：" + url );

　　report.spiderURLError(url);

　　return;

　　}

　　//标记此URL已完成

　　getWorkloadWaiting().remove(url);

　　getWorkloadProcessed().add(url);

　　log("已完成：" + url );

　　}

　　public void begin()

　　{

　　cancel = false;

　　while ( !getWorkloadWaiting().isEmpty() && !cancel ) {

　　Object list[] = getWorkloadWaiting().toArray();

　　for ( int i=0;(i

　　processURL((URL)list[i]);

　　}

　　}

　　/**

　　*HTML解析器回调函数

　　*/

　　protected class Parser

　　extends HTMLEditorKit.ParserCallback {

　　protected URL base;

　　public Parser(URL base)

　　{

　　this.base = base;

　　}

　　public void handleSimpleTag(HTML.Tag t,

　　MutableAttributeSet a,int pos)

　　{

　　String href = (String)a.getAttribute(HTML.Attribute.HREF);

　　if( (href==null) && (t==HTML.Tag.FRAME) )

　　href = (String)a.getAttribute(HTML.Attribute.SRC);

　　if ( href==null )

　　return;

　　int i = href.indexOf('#');

　　if ( i!=-1 )

　　href = href.substring(0,i);

　　if ( href.toLowerCase().startsWith("mailto:") ) {

　　report.spiderFoundEMail(href);

　　return;

　　}

　　handleLink(base,href);

　　}

　　public void handleStartTag(HTML.Tag t,

　　MutableAttributeSet a,int pos)

　　{

　　handleSimpleTag(t,a,pos);//以同样的方式处理

　　}

　　protected void handleLink(URL base,String str)

　　{

　　try {

　　URL url = new URL(base,str);

　　if ( report.spiderFoundURL(base,url) )

　　addURL(url);

　　} catch ( MalformedURLException e ) {

　　log("找到畸形URL：" + str );

　　}

　　}

　　}

　　/**

　　*由内部调用来记录信息

　　*仅是把日志写到标准输出

　　*

　　*参数entry为写到日志的信息

　　*/

　　public void log(String entry)

　　{

　　System.out.println( (new Date()) + ":" + entry );

　　}

　　}

　　例4：解析HTML(HTMLParse.java)

　　import javax.swing.text.html.*;

　　public class HTMLParse extends HTMLEditorKit {

　　public HTMLEditorKit.Parser getParser()

　　{

　　return super.getParser();

　　}

　　}