网络爬虫 java
2016-08-12 18:24:06 0 举报AI智能生成
网络爬虫（又被称为网页蜘蛛，网络机器人），是一种用来自动浏览万维网的网络机器人。其任务是按照一定的规则，自动地抓取网络信息。Java是一种广泛使用的计算机编程语言，拥有良好的跨平台性，面向对象、泛型编程的特性，广泛应用于企业级Web应用开发和移动应用开发。通过Java语言编写网络爬虫，可以实现高效、稳定的网络数据抓取和处理。Java提供了丰富的网络编程库和框架，如Jsoup、HttpClient等，可以方便地实现URL的访问、HTML文档的解析和数据的提取。同时，Java还具有良好的异常处理机制和多线程支持，可以有效应对网络爬虫在抓取过程中可能遇到的各种问题，提高程序的健壮性和运行效率。
作者其他创作
大纲/内容
Configuration类：从配置文件中获得其他文件路径
成员变量
Properties类的对象 propertie
FileInputStream类的对象 inputFile
FileOutputStream类的对象 outputFile
成员函数
构造函数Configuration()
propertie = new Properties()：Creates an empty property list
读入文件configure.properties
String getValue(String key)
根据key得到某一属性的值value
main（）
RAWSPATH
DICTIONARYPATH
MYSQLLIBPATH
分词系统
DictReader类：将本地词汇文件读入，存到哈希表中，便于查询。
成员函数
scanDict(String dictFile)：按行读入dictFile文件并存到哈希表dictionary中
构造函数（空）
DictSegment类：将网页分成词汇，便于提取关键词
成员变量
HashSet dict
HashSet stopWordDict
DictReader dictReader
static final int maxLength = 4
static String dictFile = ""
static String stopDictFile = ""
Configuration conf
成员函数
构造函数DictSegment()
new Configuration()
dictFile="wordlist.txt"
stopDictFile="stopWord.txt"
dict = dictReader.scanDict(dictFile);
stopWordDict = dictReader.scanDict(stopDictFile);
SegmentFile(String htmlDoc): htmlDoc的预处理
第一步操作，把html的文件用正则表达式处理，去掉标签等无用信息，保留文本进行操作
新建类HtmlParser的对象parser
htmlText =parser.html2Text(htmlDoc)
第二步操作，断句cutIntoSentance，把句子传到cutIntoWord，然后获得返回值
cutIntoSentance(htmlText)
循环：cutIntoWord(sentances.get(i)
ArrayList segResult
cutIntoSentance(String htmlDoc)：以。，、；：？！“”‘’《》（）-作为定界符分割htmlDoc
创建StringTokenizer类的对象tokenizer,并构造字符串tokenizer的分析器
ArrayList sentance：存储返回的字符串
cutIntoWord(String sentance)：过滤停用词，过滤单字
main（）
DictSegment dictSeg = new DictSegment();
建立url=words索引系统
ForwardIndex类：建立url-words的索引
成员变量
DBConnection dbc = new DBConnection();
HashMap> indexMap = new HashMap>();
originalPageGetter pageGetter = new originalPageGetter()
DictSegment dictSeg = new DictSegment()
成员函数
构造函数（空）
createForwardIndex()
函数变量
ArrayList segResult：存储网页对应的词组
sql = "select * from pageindex"：查询语句
调用的函数
ResultSet rs = dbc.executeQuery(sql)：执行查询，而且将查询结果存储到rs中
rs.next()：指示每一个数据行，用于循环，在每次循环中：
rs.getString("url")，fileName=rs.getString("raws")，rs.getString("offset")根据表的列名得到对应的内容
htmlDoc = pageGetter.getContent(fileName, offset)：根据文件名和偏移量得到网站内容
segResult = dictSeg.SegmentFile(htmlDoc)：对网站内容进行词汇提取
indexMap.put(url, segResult)：构建url与对应词汇的映射，存储在indexMap中
main（）
迭代器（Iterator）：对HashMap进行遍历并输出显示
InvertedIndex类：建立网页倒排索引：word映射urls
成员变量
HashMap> fordwardIndexMap;
HashMap> invertedIndexMap;
成员函数
InvertedIndex()：构造函数
fordwardIndexMap = forwardIndex.createForwardIndex();
createInvertedIndex()
invertedIndexMap = new HashMap>()
for循环：遍历原来的正向索引，进行倒排
取出url-words键值对
遍历words
倒排索引中还没有这个词，invertedIndexMap.put(word, urls);
索引中已经含有这个词，不需要加入这个词，需要找到这个词从而把对应的url链接附上，urls.add(url);
getInvertedIndex()
return invertedIndexMap
main（）
根据关键词得到链接地址
读取网页和网页分析系统
originalPageGetter类：根据输入参数从原始raws文件中读取网页的功能
成员变量
String url=""；
String urlFromHead=""
DBConnection dbc = new DBConnection()
MD5 md5 = new MD5()
Configuration conf = new Configuration()
成员函数
getPage()
函数变量
String content = ""
调用函数
Page page = getRawsInfo(url)
page.getRawName()
readRawHead()
content = readRawContent(bfReader);
getContent(String file, int offset)：：通过传入的文件名和偏移量得到网页内容
调用函数
readRawHead（文件地址字符流）
根据文件名file，得到文件地址，然后将文件读入，存入bfReader中
readRawHead（文件地址字符流）
readRawContent（文件地址字符流）
返回String类型数据
content
readRawHead(BufferedReader bfReader)
readRawContent(BufferedReader bfReader)得到网页内容信息
getRawsInfo（String url）查询，并存入数据库
sql = select * from pageindex where url='url'
ResultSet rs = dbc.executeQuery(sql);
循环
connent = rs.getString("connent");
offset = Integer.parseInt(rs.getString("offset"));
raws = rs.getString("raws")
return new Page(url, offset, connent, raws);
RawsAnalyzer类:实现了从原始网页集合Raws的分析操作。
成员变量
DBConnection dbc = new DBConnection();
MD5 md5 = new MD5();
int offset;
Page page;
String rootDirectory;
成员函数
带参构造函数RawsAnalyzer(String rootName)
this.rootDirectory = rootName;
page = new Page();
createPageIndex()
ArrayList fileNames = getSubFile(rootDirectory);
循环执行createPageIndex(fileName)
createPageIndex(String fileName)，重载函数
fileReader = new FileReader(fileName);读入文件
bfReader = new BufferedReader(fileReader)；文件字符缓冲流
按行循环读入
url = readRawHead(bfReader);
content = readRawContent(bfReader);
contentMD5 = md5.getMD5ofStr(content);
page.setPage(url, oldOffset, contentMD5, fileName);
page.add2DB(dbc);
readRawHead(BufferedReader bfReader)
得到urlLine
readRawContent(BufferedReader bfReader)
static ArrayList getSubFile(String fileName)：得到文件的绝对路径
main()函数
RawsAnalyzer analyzer = new RawsAnalyzer("Raws");
analyzer.createPageIndex();
工具系统
DBConnection 类：数据库连接
加载驱动程序；Class.forName（）
连接数据库；DriverManager.getConnection（）
访问数据库conn.createStatement（）
执行查询或更新；executeQuery（），executeUpdate（）
HtmlParser类：网页处理
成员函数
html2Text(String inputString)，参数是：含html标签的字符串
java正则表达式通过java.util.regex包下的Pattern类与Matcher类实现
Pattern类用于创建一个正则表达式，Pattern.compile（String regex）
Matcher类提供了对正则表达式的分组支持,以及对正则表达式的多次匹配支持.
作用：去除一些标签，返回文本字符串
ArrayList urlDetector(String htmlDoc)
作用：去除一些无用链接，修复一些相对路径的链接
提取href="http://bbs.life.sina.com.cn/"中的双引号之间的url地址，并存入数组中
MD5类：加密
消息摘要算法第五版
用于确保信息传输完整一致而广泛使用的散列算法之一
将数据（如一段文字）运算变为另一固定长度值
Page：将网页存到数据库
成员变量：网页存储格式
String url
int offset
String connent
String rawName
主要成员函数
add2DB(DBConnection dbc)
insert into pageindex(url, connent, offset, raws)
values ('url', 'connent', 'offset', 'rawName');
Result类
成员变量
private String title;
private String content;
private String url;
private String date;
成员函数
构造函数：Result(String title, String content, String url, String date)
this.title = title;
this.content = content;
this.url = url;
this.date = date;
ResultGenerator类
成员函数
ResultGenerator()构造函数
pageGetter = new originalPageGetter()
String regEx_meta = ""; meta的正则表达式
p_title = Pattern.compile(regEx_title,Pattern.CASE_INSENSITIVE);
p_meta = Pattern.compile(regEx_meta,Pattern.CASE_INSENSITIVE);匹配
Result generateResult(String url)
Page page;
String content = "";
String date = "";
String title = "";
String shortContent = "";
子主题
page = pageGetter.getRawsInfo(url);
content = pageGetter.getContent(page.getRawName(), page.getOffset());
date = pageGetter.getDate();
return new Result(title, shortContent, url, date);
StopWordsMerger类
成员变量
成员函数
HashSet scanDict(String stopDictFile)读入停用词，存在哈希表中
mergeSet(HashSet set1, HashSet set2)合并停用词哈希表
爬虫
Dispatcher类：将新的url添加到对应的数组中
成员变量
ArrayList urls
ArrayList visitedURLs：已访问过
ArrayList unvisitedURLs：未访问过
主要成员函数，这里的函数代码都分别加锁了
insert(单个url/url数组)：插入新的url
if (!urls.contains(url) && !visitedURLs.contains(url))
urls.add(url);
getURL()：读取url
urls.isEmpty()：等待
url = urls.get(0)：取出集合中第一条数据
visitedURLs.add(url);添加
urls.remove(url);移除
Gather类 implements Runnable，实现run()方法就可以实现多线程
成员变量
Dispatcher disp
String ID
URLClient client = new URLClient()
WebAnalyzer analyzer = new WebAnalyzer()
主要成员函数
Gather(String ID, Dispatcher disp)含参构造函数
在文件夹Raws下创建新文件RAW__ID
向文件中写入
run()
循环
url = disp.getURL()
htmlDoc = client.getDocumentAt(url)存储url页面内容
htmlDoc不为空的情况下
ArrayList newURL = analyzer.doAnalyzer(bfWriter, url, htmlDoc);完成url解析并且返回，保存指定格式的doc
disp.insert(newURL)
URLClient类
成员函数
getDocumentAt(URL url)根据网址得到网页内容
URL hostURL = url;
URLConnection conn = hostURL.openConnection();创建连接对象
reader = new BufferedReader(new InputStreamReader(conn.getInputStream()));
循环，如果reader.readLine()！=null，那么document.append(line + "\n");
WebAnalyzer类
成员函数
ArrayList doAnalyzer(BufferedWriter bfWriter, URL url, String htmlDoc)
ArrayList urlInHtmlDoc = (new HtmlParser()).urlDetector(htmlDoc);
根据网页内容htmlDoc得到这个网页中包含的其他的urls，并将其存入动态数组urlInHtmlDoc中
saveDoc(bfWriter, url, htmlDoc)将抽取了内容的htmlDoc按照指定的格式写入文件中进行保存
saveDoc(BufferedWriter bfWriter, URL url, String htmlDoc)
保存在指定文件的格式
version:1.0
url:http://www.163.com
date:Thu Mar 12 20:55:55 CST 2015
IP:111.202.57.27
length:625461
网页内容
Spider类：爬虫实现
成员变量
ArrayList urls
int gatherNum = 5
主要成员函数
start()启动线程
Dispatcher disp = new Dispatcher(urls);
循环，gatherNum
Thread gather = new Thread(new Gather(String.valueOf(i), disp));创建线程
gather.start();
main（）函数
ArrayList urls = new ArrayList();
urls.add(new URL("http://www.baidu.com"));向数组中增添url
Spider spider = new Spider(urls);
spider.start();
查询系统
Response类：
成员变量
HashMap> invertedIndexMap;倒排索引
ArrayList results;返回结果列表
DictSegment dictSeg;分词器
ResultGenerator resultGenerator;
成员函数
getResponse(String request)
调用函数doQuery(request);
doQuery(String request)
1. 关键词分词、剔除停用词，并对分词结果进行查找对应的结果
2. 合并各个分词的结果，返回初步的网页URL信息
3. 根据URL通过数据库获得网页所在位置，从而在RAWs中获得网页内容
0 条评论
下一页
