《使用_HttpClient_和_HtmlParser_实现简易爬虫.docx》由会员分享，可在线阅读，更多相关《使用_HttpClient_和_HtmlParser_实现简易爬虫.docx（19页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、使用 HttpClient 和 HtmlParser 实现简易爬虫文档选项打印本页窗体顶端将此页作为电子邮件发送窗体底端级别： 初级蒋宏伟 (jianghongwei_tju), 在校学生, 天津大学计算机学院2008 年 9 月 11 日这篇文章介绍了 HtmlParser 开源包和 HttpClient 开源包的使用，在此基础上实现了一个简易的网络爬虫 (Crawler)，来说明如何使用 HtmlParser 根据需要处理 Internet 上的网页，以及如何使用 HttpClient 来简化 Get 和 Post 请求操作，构建强大的网络应用程序。使用 HttpClient 和 Html
2、Parser 实现简易爬虫这篇文章介绍了 HtmlParser 开源包和 HttpClient 开源包的使用，在此基础上实现了一个简易的网络爬虫 (Crawler)，来说明如何使用 HtmlParser 根据需要处理 Internet 上的网页，以及如何使用 HttpClient 来简化 Get 和 Post 请求操作，构建强大的网络应用程序。回页首HttpClient 与 HtmlParser 简介本小结简单的介绍一下 HttpClinet 和 HtmlParser 两个开源的项目，以及他们的网站和提供下载的地址。HttpClient 简介HTTP 协议是现在的因特网最重要的协议之一。除了
3、WEB 浏览器之外， WEB 服务，基于网络的应用程序以及日益增长的网络计算不断扩展着 HTTP 协议的角色，使得越来越多的应用程序需要 HTTP 协议的支持。虽然 JAVA 类库 .net 包提供了基本功能，来使用 HTTP 协议访问网络资源，但是其灵活性和功能远不能满足很多应用程序的需要。而 Jakarta Commons HttpClient 组件寻求提供更为灵活，更加高效的 HTTP 协议支持，简化基于 HTTP 协议的应用程序的创建。 HttpClient 提供了很多的特性，支持最新的 HTTP 标准，可以访问这里了解更多关于 HttpClinet 的详细信息。目前有很多的开源项目都
4、用到了 HttpClient 提供的 HTTP功能，登陆网址可以查看这些项目。本文中使用 HttpClinet 提供的类库来访问和下载 Internet上面的网页，在后续部分会详细介绍到其提供的两种请求网络资源的方法： Get 请求和 Post 请求。Apatche 提供免费的 HTTPClien t源码和 JAR 包下载，可以登陆这里 下载最新的HttpClient 组件。笔者使用的是 HttpClient3.1。HtmlParser 简介当今的 Internet 上面有数亿记的网页，越来越多应用程序将这些网页作为分析和处理的数据对象。这些网页多为半结构化的文本，有着大量的标签和嵌套的结构。
5、当我们自己开发一些处理网页的应用程序时，会想到要开发一个单独的网页解析器，这一部分的工作必定需要付出相当的精力和时间。事实上，做为 JAVA 应用程序开发者， HtmlParser 为其提供了强大而灵活易用的开源类库，大大节省了写一个网页解析器的开销。 HtmlParser 是 上活跃的一个开源项目，它提供了线性和嵌套两种方式来解析网页，主要用于 html 网页的转换(Transformation) 以及网页内容的抽取 (Extraction)。HtmlParser 有如下一些易于使用的特性：过滤器 (Filters)，访问者模式 (Visitors)，处理自定义标签以及易于使用的 JavaB
6、eans。正如 HtmlParser 首页所说：它是一个快速，健壮以及严格测试过的组件；以它设计的简洁，程序运行的速度以及处理 Internet 上真实网页的能力吸引着越来越多的开发者。 本文中就是利用HtmlParser 里提取网页里的链接，实现简易爬虫里的关键部分。HtmlParser 最新的版本是HtmlParser1.6，可以登陆这里下载其源码、 API 参考文档以及 JAR 包。回页首开发环境的搭建笔者所使用的开发环境是 Eclipse Europa，此开发工具可以在 www.eclipse.org 免费的下载；JDK是1.6，你也可以在 站点下载，并且在操作系统中配置好环境变量。在
7、 Eclipse 中创建一个 JAVA 工程，在工程的 Build Path 中导入下载的Commons-httpClient3.1.Jar，htmllexer.jar 以及 htmlparser.jar 文件。图 1. 开发环境搭建回页首HttpClient 基本类库使用HttpClinet 提供了几个类来支持 HTTP 访问。下面我们通过一些示例代码来熟悉和说明这些类的功能和使用。 HttpClient 提供的 HTTP 的访问主要是通过 GetMethod 类和 PostMethod 类来实现的，他们分别对应了 HTTP Get 请求与 Http Post 请求。GetMethod使用
8、GetMethod 来访问一个 URL 对应的网页，需要如下一些步骤。1. 生成一个 HttpClinet 对象并设置相应的参数。 2. 生成一个 GetMethod 对象并设置响应的参数。 3. 用 HttpClinet 生成的对象来执行 GetMethod 生成的 Get 方法。 4. 处理响应状态码。 5. 若响应正常，处理 HTTP 响应内容。 6. 释放连接。 清单 1 的代码展示了这些步骤，其中的注释对代码进行了较详细的说明。清单 1./* 1 生成 HttpClinet 对象并设置参数*/ HttpClient httpClient=new HttpClient(); /设置 H
9、ttp 连接超时为5秒httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(5000); /*2 生成 GetMethod 对象并设置参数*/ GetMethod getMethod=new GetMethod(url); /设置 get 请求超时为 5 秒getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT,5000); /设置请求重试处理，用的是默认的重试处理：请求三次getMethod.getParams().setParamet
10、er(HttpMethodParams.RETRY_HANDLER, new DefaultHttpMethodRetryHandler(); /*3 执行 HTTP GET 请求*/ try int statusCode = httpClient.executeMethod(getMethod); /*4 判断访问的状态码*/ if (statusCode != HttpStatus.SC_OK) System.err.println(Method failed: + getMethod.getStatusLine(); /*5 处理 HTTP 响应内容*/ /HTTP响应头部信息，这里简单
11、打印 Header headers=getMethod.getResponseHeaders(); for(Header h: headers) System.out.println(h.getName()+ +h.getValue();*/ /读取 HTTP 响应内容，这里简单打印网页内容 byte responseBody = getMethod.getResponseBody();/读取为字节数组System.out.println(new String(responseBody); /读取为 InputStream，在网页内容数据量大时候推荐使用 InputStream respons
12、e = getMethod.getResponseBodyAsStream();/ 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 /*6 .释放连接*/getMethod.releaseConnection(); 这里值得注意的几个地方是：1. 设置连接超时和
13、请求超时，这两个超时的意义不同，需要分别设置。 2. 响应状态码的处理。 3. 返回的结果可以为字节数组，也可以为 InputStream，而后者在网页内容数据量较大的时候推荐使用。 在处理返回结果的时候可以根据自己的需要，进行相应的处理。如笔者是需要保存网页到本地，因此就可以写一个 saveToLocaleFile(byte data, String filePath) 的方法，将字节数组保存成本地文件。后续的简易爬虫部分会有相应的介绍。PostMethodPostMethod 方法与 GetMethod 方法的使用步骤大体相同。但是由于 PostMethod 使用的是HTTP 的 Post
14、 请求，因而请求参数的设置与 GetMethod 有所不同。在 GetMethod 中，请求的参数直接写在 URL 里，一般以这样形式出现：http:/hostname:port/file?name1=value1&name2=value 。请求参数是 name，value 对。比如我想得到百度搜索“Thinking In Java”的结果网页，就可以使 GetMethod 的构造方法中的 url 为： 。而 PostMethod 则可以模拟网页里表单提交的过程，通过设置表单里 post 请求参数的值，来动态的获得返回的网页结果。清单 2 中的代码展示了如何创建一个 Post 对象，并设置相应
15、的请求参数。清单2PostMethod postMethod = new PostMethod(postMethod.setRequestBody(new NameValuePairnew NameValuePair(q,java);回页首HtmlParser 基本类库使用HtmlParser 提供了强大的类库来处理 Internet 上的网页，可以实现对网页特定内容的提取和修改。下面通过几个例子来介绍 HtmlParser 的一些使用。这些例子其中的代码，有部分用在了后面介绍的简易爬虫中。以下所有的代码和方法都在在类 HtmlParser.Test.java 里，这是笔者编写的一个用来测试
16、HtmlParser 用法的类。 迭代遍历网页所有节点 网页是一个半结构化的嵌套文本文件，有类似 XML 文件的树形嵌套结构。使用HtmlParser 可以让我们轻易的迭代遍历网页的所有节点。清单 3 展示了如何来实现这个功能。清单 3/ 循环访问所有节点，输出包含关键字的值节点public static void extractKeyWordText(String url, String keyword) try /生成一个解析器对象，用网页的 url 作为参数Parser parser = new Parser(url);/设置网页的编码,这里只是请求了一个 gb2312 编码网页pars
17、er.setEncoding(gb2312);/迭代所有节点, null 表示不使用 NodeFilterNodeList list = parser.parse(null); /从初始的节点列表跌倒所有的节点processNodeList(list, keyword); catch (ParserException e) e.printStackTrace();private static void processNodeList(NodeList list, String keyword) /迭代开始SimpleNodeIterator iterator = list.elements()
18、;while (iterator.hasMoreNodes() Node node = iterator.nextNode();/得到该节点的子节点列表NodeList childList = node.getChildren();/孩子节点为空，说明是值节点if (null = childList)/得到值节点的值String result = node.toPlainTextString();/若包含关键字，则简单打印出来文本if (result.indexOf(keyword) != -1)System.out.println(result); /end if/孩子节点不为空，继续迭代该
19、孩子节点else processNodeList(childList, keyword);/end else/end wile上面的中有两个方法：1. private static void processNodeList(NodeList list, String keyword) 该方法是用类似深度优先的方法来迭代遍历整个网页节点，将那些包含了某个关键字的值节点的值打印出来。1. public static void extractKeyWordText(String url, String keyword) 该方法生成针对 String 类型的 url 变量代表的某个特定网页的解析器，调
20、用 1中的方法实现简单的遍历。清单 3 的代码展示了如何迭代所有的网页，更多的工作可以在此基础上展开。比如找到某个特定的网页内部节点，其实就可以在遍历所有的节点基础上来判断，看被迭代的节点是否满足特定的需要。 使用 NodeFilter NodeFilter 是一个接口，任何一个自定义的 Filter 都需要实现这个接口中的 boolean accept() 方法。如果希望迭代网页节点的时候保留当前节点，则在节点条件满足的情况下返回 true；否则返回 false。HtmlParse 里提供了很多实现了 NodeFilter 接口的类，下面就一些笔者所用到的，以及常用的 Filter 做一些介
21、绍：1. 对 Filter 做逻辑操作的 Fitler 有：AndFilter，NotFilter ，OrFilter，XorFilter。 这些 Filter 来组合不同的 Filter，形成满足两个 Filter 逻辑关系结果的 Filter。1. 判断节点的孩子，兄弟，以及父亲节点情况的 Filter 有：HasChildFilter HasParentFilter，HasSiblingFilter。 2. 判断节点本身情况的 Filter 有 HasAttributeFilter：判读节点是否有特定属性；LinkStringFilter：判断节点是否是具有特定模式 (pattern)
22、url 的节点； TagNameFilter：判断节点是否具有特定的名字；NodeClassFilter：判读节点是否是某个 HtmlParser 定义好的 Tag 类型。在 org.htmlparser.tags 包下有对应 Html标签的各种 Tag，例如 LinkTag，ImgeTag 等。还有其他的一些 Filter 在这里不一一列举了，可以在 org.htmlparser.filters 下找到。清单 4 展示了如何使用上面提到过的一些 filter 来抽取网页中的 标签里的 href属性值， 标签里的 src 属性值，以及 标签里的 src 的属性值。清单4/ 获取一个网页上所有的
23、链接和图片链接public static void extracLinks(String url) try Parser parser = new Parser(url);parser.setEncoding(gb2312);/过滤 标签的 filter，用来提取 frame 标签里的 src 属性所、表示的链接NodeFilter frameFilter = new NodeFilter() public boolean accept(Node node) if (node.getText().startsWith(frame src=) return true; else return f
24、alse;/OrFilter 来设置过滤 标签， 标签和 标签，三个标签是 or 的关系 OrFilte rorFilter = new OrFilter(new NodeClassFilter(LinkTag.class), new NodeClassFilter(ImageTag.class); OrFilter linkFilter = new OrFilter(orFilter, frameFilter);/得到所有经过过滤的标签NodeList list = parser.extractAllNodesThatMatch(linkFilter);for (int i = 0; i l
25、ist.size(); i+) Node tag = list.elementAt(i);if (tag instanceof LinkTag)/ 标签 LinkTag link = (LinkTag) tag;String linkUrl = link.getLink();/urlString text = link.getLinkText();/链接文字System.out.println(linkUrl + * + text);else if (tag instanceof ImageTag)/ 标签ImageTag image = (ImageTag) list.elementAt(i
26、);System.out.print(image.getImageURL() + *);/图片地址System.out.println(image.getText();/图片文字else/ 标签/提取 frame 里 src 属性的链接如 String frame = tag.getText();int start = frame.indexOf(src=);frame = frame.substring(start);int end = frame.indexOf( );if (end = -1)end = frame.indexOf();frame = frame.substring(5,
27、 end - 1);System.out.println(frame); catch (ParserException e) e.printStackTrace(); 简单强大的 StringBean 如果你想要网页中去掉所有的标签后剩下的文本，那就是用 StringBean 吧。以下简单的代码可以帮你解决这样的问题：清单5StringBean sb = new StringBean();sb.setLinks(false);/设置结果中去点链接sb.setURL(url);/设置你所需要滤掉网页标签的页面 urlSystem.out.println(sb.getStrings();/打印结果
28、HtmlParser 提供了强大的类库来处理网页，由于本文旨在简单的介绍，因此只是将与笔者后续爬虫部分有关的关键类库进行了示例说明。感兴趣的读者可以专门来研究一下 HtmlParser 更为强大的类库。回页首简易爬虫的实现HttpClient 提供了便利的 HTTP 协议访问，使得我们可以很容易的得到某个网页的源码并保存在本地；HtmlParser 提供了如此简便灵巧的类库，可以从网页中便捷的提取出指向其他网页的超链接。笔者结合这两个开源包，构建了一个简易的网络爬虫。爬虫 (Crawler) 原理学过数据结构的读者都知道有向图这种数据结构。如下图所示，如果将网页看成是图中的某一个节点，而将网页
29、中指向其他网页的链接看成是这个节点指向其他节点的边，那么我们很容易将整个 Internet 上的网页建模成一个有向图。理论上，通过遍历算法遍历该图，可以访问到Internet 上的几乎所有的网页。最简单的遍历就是宽度优先以及深度优先。以下笔者实现的简易爬虫就是使用了宽度优先的爬行策略。图 2. 网页关系的建模图简易爬虫实现流程在看简易爬虫的实现代码之前，先介绍一下简易爬虫爬取网页的流程。图 3. 爬虫流程图各个类的源码以及说明对应上面的流程图，简易爬虫由下面几个类组成，各个类职责如下：Crawler.java：爬虫的主方法入口所在的类，实现爬取的主要流程。LinkDb.java：用来保存已经访
30、问的 url 和待爬取的 url 的类，提供url出对入队操作。Queue.java： 实现了一个简单的队列，在 LinkDb.java 中使用了此类。FileDownloader.java：用来下载 url 所指向的网页。HtmlParserTool.java： 用来抽取出网页中的链接。LinkFilter.java：一个接口，实现其 accept() 方法用来对抽取的链接进行过滤。 下面是各个类的源码，代码中的注释有比较详细的说明。清单6 Crawler.javapackage com.ie;import java.util.Set;public class Crawler /* 使用种子
31、 url 初始化 URL 队列*/private void initCrawlerWithSeeds(String seeds)for(int i=0;iseeds.length;i+)LinkDB.addUnvisitedUrl(seedsi);/* 爬取方法*/public void crawling(String seeds)LinkFilter filter = new LinkFilter()/提取以 开头的链接public boolean accept(String url) if(url.startsWith()return true;elsereturn false;/初始化
32、URL 队列initCrawlerWithSeeds(seeds);/循环条件：待抓取的链接不空且抓取的网页不多于 1000while(!LinkDB.unVisitedUrlsEmpty()&LinkDB.getVisitedUrlNum()=1000)/队头 URL 出对String visitUrl=LinkDB.unVisitedUrlDeQueue();if(visitUrl=null)continue;FileDownLoader downLoader=new FileDownLoader();/下载网页downLoader.downloadFile(visitUrl);/该 ur
33、l 放入到已访问的 URL 中LinkDB.addVisitedUrl(visitUrl);/提取出下载网页中的 URLSet links=HtmlParserTool.extracLinks(visitUrl,filter);/新的未访问的 URL 入队for(String link:links)LinkDB.addUnvisitedUrl(link);/main 方法入口public static void main(Stringargs)Crawler crawler = new Crawler();crawler.crawling(new String);清单7 LinkDb.java
34、package com.ie;import java.util.HashSet;import java.util.Set;/* * 用来保存已经访问过 Url 和待访问的 Url 的类 */public class LinkDB /已访问的 url 集合private static Set visitedUrl = new HashSet();/待访问的 url 集合private static Queue unVisitedUrl = new Queue();public static Queue getUnVisitedUrl() return unVisitedUrl;public st
35、atic void addVisitedUrl(String url) visitedUrl.add(url);public static void removeVisitedUrl(String url) visitedUrl.remove(url);public static String unVisitedUrlDeQueue() return unVisitedUrl.deQueue();/ 保证每个 url 只被访问一次public static void addUnvisitedUrl(String url) if (url != null & !url.trim().equals
36、() & !visitedUrl.contains(url)& !unVisitedUrl.contians(url)unVisitedUrl.enQueue(url);public static int getVisitedUrlNum() return visitedUrl.size();public static boolean unVisitedUrlsEmpty() return unVisitedUrl.empty();清单8 Queue.javapackage com.ie;import java.util.LinkedList;/* * 数据结构队列 */public clas
37、s Queue private LinkedList queue=new LinkedList();public void enQueue(T t)queue.addLast(t);public T deQueue()return queue.removeFirst();public boolean isQueueEmpty()return queue.isEmpty();public boolean contians(T t)return queue.contains(t);public boolean empty()return queue.isEmpty();清单 9 FileDownL
38、oader.javapackage com.ie;import java.io.DataOutputStream;import java.io.File;import java.io.FileOutputStream;import java.io.IOException;import mons.httpclient.DefaultHttpMethodRetryHandler;import mons.httpclient.HttpClient;import mons.httpclient.HttpException;import mons.httpclient.HttpStatus;import
39、 mons.httpclient.methods.GetMethod;import mons.httpclient.params.HttpMethodParams;public class FileDownLoader /*根据 url 和网页类型生成需要保存的网页的文件名 *去除掉 url 中非文件名字符 */public String getFileNameByUrl(String url,String contentType)url=url.substring(7);/remove http:/if(contentType.indexOf(html)!=-1)/text/htmlurl=
40、 url.replaceAll(?/:*|, _)+.html;return url;else/如application/pdfreturn url.replaceAll(?/:*|, _)+.+ contentType.substring(contentType.lastIndexOf(/)+1);/*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 */private void saveToLocal(byte data,String filePath)try DataOutputStream out=new DataOutputStream(new FileOu
41、tputStream(new File(filePath);for(int i=0;idata.length;i+)out.write(datai);out.flush();out.close(); catch (IOException e) e.printStackTrace();/*下载 url 指向的网页*/public String downloadFile(String url) String filePath=null; /* 1.生成 HttpClinet 对象并设置参数*/ HttpClient httpClient=new HttpClient(); /设置 Http 连接超
42、时 5s httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(5000); /*2.生成 GetMethod 对象并设置参数*/ GetMethod getMethod=new GetMethod(url); /设置 get 请求超时 5s getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT,5000); /设置请求重试处理 getMethod.getParams().setParameter(HttpMethodParams.RE