Java+MySQL实现网络爬虫程序

        网络爬虫,也叫网络蜘蛛,有的项目也把它称作“walker”。维基百科所给的定义是“一种系统地扫描互联网,以获取索引为目的的网络程序”。网络上有很多关于网络爬虫的开源项目,其中比较有名的是HeritrixApache Nutch

        有时需要在网上搜集信息,如果需要搜集的是获取方法单一而人工搜集费时费力的信息,比如统计一个网站每个月发了多少篇文章、用了哪些标签,为自然语言处理项目搜集语料,或者为模式识别项目搜集图片等等,就需要爬虫程序来完成这样的任务。而且搜索引擎必不可少的组件之一也是网络爬虫。

        很多网络爬虫都是用Python,Java或C#实现的。我这里给出的是Java版本的爬虫程序。为了节省时间和空间,我把程序限制在只扫描本博客地址下的网页(也就是http://johnhan.net/但不包括http://johnhany.net/wp-content/下的内容),并从网址中统计出所用的所有标签。只要稍作修改,去掉代码里的限制条件就能作为扫描整个网络的程序使用。或者对输出格式稍作修改,可以作为生成博客sitemap的工具。

        代码也可以在这里下载:johnhany/WPCrawler


环境需求

        我的开发环境是Windows7 + Eclipse

        需要XAMPP提供通过url访问MySQL数据库的端口。

        还要用到三个开源的Java类库:

        Apache HttpComponents 4.3 提供HTTP接口,用来向目标网址提交HTTP请求,以获取网页的内容;

        HTML Parser 2.0 用来解析网页,从DOM节点中提取网址链接;

        MySQL Connector/J 5.1.27 连接Java程序和MySQL,然后就可以用Java代码操作数据库。


代码

        代码位于三个文件中,分别是:crawler.java,httpGet.java和parsePage.java。包名为net.johnhany.wpcrawler。

crawler.java

httpGet.java

parsePage.java


程序原理

        所谓“互联网”,是网状结构,任意两个节点间都有可能存在路径。爬虫程序对互联网的扫描,在图论角度来讲,就是对有向图的遍历(链接是从一个网页指向另一个网页,所以是有向的)。常见的遍历方法有深度优先和广度优先两种。相关理论知识可以参考树的遍历:这里这里。我的程序采用的是广度优先方式。

        程序从crawler.java的main()开始运行。

        首先,调用DriverManager连接MySQL服务。这里使用的是XAMPP的默认MySQL端口3306,端口值可以在XAMPP主界面看到:

xampp

        Apache和MySQL都启动之后,在浏览器地址栏输入“http://localhost/phpmyadmin/”就可以看到数据库了。等程序运行完之后可以在这里检查一下运行是否正确。

localhost-phpmyadmin

 

        连接好数据库后,建立一个名为“crawler”的数据库,在库里建两个表,一个叫“record”,包含字段“recordID”,“URL”和“crawled”,分别记录地址编号、链接地址和地址是否被扫描过;另一个叫“tags”,包含字段“tagnum”和“tagname”,分别记录标签编号和标签名。

 

        接着在一个while循环内依次处理表record内的每个地址。每次处理时,把地址url传递给httpGet.getByString(),然后在表record中把crawled改为true,表明这个地址已经处理过。然后寻找下一个crawled为false的地址,继续处理,直到处理到表尾。

        这里需要注意的细节是,执行executeQuery()后,得到了一个ResultSet结构rs,rs包含SQL查询返回的所有行和一个指针,指针指向结果中第一行之前的位置,需要执行一次rs.next()才能让rs的指针指向第一个结果,同时返回true,之后每次执行rs.next()都会把指针移到下一个结果上并返回true,直至再也没有结果时,rs.next()的返回值变成了false。

        还有一个细节,在执行建库建表、INSERT、UPDATE时,需要用executeUpdate();在执行SELECT时,需要使用executeQuery()。executeQuery()总是返回一个ResultSet,executeUpdate()返回符合查询的行数。

 

        httpGet.java的getByString()类负责向所给的网址发送请求,然后下载网页内容。

        这段代码是HTTPComponents的HTTP Client组件中给出的样例,在很多情况下可以直接使用。这部分代码获得了一个字符串responseBody,里面保存着网页中的全部字符。

        接着,就需要把responseBody传递给parsePage.java的parseFromString类提取链接。

        在HTML文件中,链接一般都在a标签的href属性中,所以需要创建一个属性过滤器。NodeList保存着这个HTML文件中的所有DOM节点,通过在for循环中依次处理每个节点寻找符合要求的标签,可以把网页中的所有链接提取出来。

        然后通过nextlink.startsWith()进一步筛选,只处理以“http://johnhany.net/”开头的链接并跳过以“http://johnhany.net/wp-content/”开头的链接。

        在表record中查找是否已经存在这个链接,如果存在(rs.next()==true),不做任何处理;如果不存在(rs.next()==false),在表中插入这个地址并把crawled置为false。因为之前recordID设为AUTO_INCREMENT,所以要用 Statement.RETURN_GENERATED_KEYS获取适当的编号。

        去掉链接开头的“http://johnhany.net/”几个字符,提高字符比较的速度。如果含有“tag/”说明其后的字符是一个标签的名字,把这给名字提取出来,用UTF-8编码,保证汉字的正常显示,然后存入表tags。类似地还可以加入判断“article/”,“author/”,或“2013/11/”等对其他链接进行归类。


结果

这是两张数据库的截图,显示了程序的部分结果:

result-record

result-tags

        在这里可以获得全部输出结果。可以与本博客的sitemap比较一下,看看如果想在其基础上实现sitemap生成工具,还要做哪些修改。

88

avatar
39 Comment threads
49 Thread replies
0 Followers
 
Most reacted comment
Hottest comment thread
47 Comment authors
zdf813628321@qq.comJohn Hany251013371@qq.comBlack who Recent comment authors
  Subscribe  
最新 最旧
订阅评论
zdf
zdf

你好,能做新浪微博评论爬虫吗,通过关键字爬取相关评论

813628321@qq.com
813628321@qq.com

如果只爬虫一个网站的邮箱,我应该怎么改限制?

251013371@qq.com
251013371@qq.com

如果想把查到的网页内容保存到本地,供以后在本地使用,要怎么办?

Black who
Black who

John哥,问下,我用win10、sdk1.8和Intellij idea貌似运行不了程序,是什么原因啊?

安沃尔(awoe)
安沃尔(awoe)

博主你好,以转载了你的文章,谢谢!!!

小米
小米

请问这段代码这样写的意义是什么?如果不用这种形式来写,该如何修改代码?还有就是这种形式的代码要如何称呼?

            ResponseHandler<String> responseHandler = new ResponseHandler<String>() {

                public String handleResponse(final HttpResponse response) throws ClientProtocolException, IOException {
                    int status = response.getStatusLine().getStatusCode();
                    if (status >= 200 && status < 300) {
                        HttpEntity entity = response.getEntity();
                        return entity != null ? EntityUtils.toString(entity) : null;
                    } else {
                        throw new ClientProtocolException("Unexpected response status: " + status);
                    }
                }
            };

江南
江南

我想问一下,我用myeclipse ,tomcat ,mysql 可以实现么?然后我想要获取新闻的热搜排行,可以用你这个么

陈斌
陈斌

Exception in thread "main" org.apache.http.conn.HttpHostConnectException: Connect to johnhany.net:80 [johnhany.net/198.252.107.79] failed: Connection timed out: connect

陈斌
陈斌

你好,不知道是不是我jar包导入的版本是不是不对,博主的链接下载不下来。这个报错说我连接不上

胡图图
胡图图

麻烦请问一下这个问题解决了没呢?

蒙

你的习惯了类名首字母小写???

 

张曦
张曦

写爬虫的童鞋可以试试神箭手云爬虫,自带JS渲染、代理ip、验证码识别等功能,还可以发布和导出爬取的数据,生成图表等,都在云端进行,不需要安装开发环境。

 

yihangw
yihangw

您好,看了您写的这个爬虫,我很受教,但是请问一下现在很多网页都在用JS或者AJAX的方法动态生成网站,比如这种 <a href = list.jsp, onclock = "function(2xxxx)">, 需要"用户点击"这种触发事件然后根据2xxxx这种东西从数据库找到被list.jsp覆盖的绝对地址然后将用户直接导航到那个页面,这种情况下要如何处理呢

我试过selenium和webdriver的无头测试,但是这两个货太依赖浏览器了,而且效率奇低无比,博主有什么好方法吗,我的邮箱是 leon.wang@utas.edu.au

如果博主有什么好方法可以赐教一下吗,非常感谢

npc
npc

源码借走了,想做一个抓取电商网站商品详情的网站,有不懂得地方再来讨教你

童珉
童珉

大神,您好,已经成功搭好环境和下载代码,准备开始大干一场。

同时能你这个eclipse的配色方案比较感兴趣,能分享一下吗。

charlie
charlie

OK, 已经下载到了,非常感谢!!

charlie
charlie

很想学习这段代码,但发现有关文件无法下载,能否帮忙将所有源代码文件及相关的jar包发送至:xml6401@sina.com

谢!

蒋笑话
蒋笑话

我想问下,我想用来爬某个官方网站的通知,可以吗。。只怕标题  类容

年年
年年

thank you么么哒~

chan
chan

john哥你好:

最近在做毕业设计,题目是网络搜索引擎的设计与实现,自己也进行过一些学习,看到你写的爬虫代码觉得很受用。学到了很多东西。

下一步还得学习网页预处理部分跟如何实现查询服务,大致的了解了一下处理的方式是通过lucene框架来实现中文的分词,然后就不知该怎么做,能不能请你再大致指点一下,非常感谢!

懒懒
懒懒

IK分词器

sun
sun

您好,我想问下这个爬虫可以爬取一些新闻官网的新闻吗?

盼盼
盼盼

你好:我想要获取每个栏目下的文章,怎么解决

李博
李博

如何更改访问地址呢,把你访问的博客的地址改成我要访问的,怎么改呢