網(wǎng)絡(luò)爬蟲java實(shí)現(xiàn)原理

1、網(wǎng)絡(luò)爬蟲（網(wǎng)絡(luò)爬蟲（Spider）Java實(shí)現(xiàn)原理實(shí)現(xiàn)原理收藏收藏“網(wǎng)絡(luò)蜘蛛”或者說“網(wǎng)絡(luò)爬蟲”，是一種能訪問網(wǎng)站并跟蹤鏈接的程序，通過它，可快速地畫出一個網(wǎng)站所包含的網(wǎng)頁地圖信息。本文主要講述如何使用Java編程來構(gòu)建一個“蜘蛛”，我們會先以一個可復(fù)用的蜘蛛類包裝一個基本的“蜘蛛”，并在示例程序中演示如何創(chuàng)建一個特定的“蜘蛛”來掃描相關(guān)網(wǎng)站并找出死鏈接。Java語言在此非常適合構(gòu)建一個“蜘蛛”程序，其內(nèi)建了對HTTP協(xié)議的支持，通過它

2、可以傳輸大部分的網(wǎng)頁信息；其還內(nèi)建了一個HTML解析器，正是這兩個原因使Java語言成為本文構(gòu)建“蜘蛛”程序的首選。文章后面例1的示例程序，將會掃描一個網(wǎng)站，并尋找死鏈接。使用這個程序時需先輸入一個URL并單擊“Begin”按鈕，程序開始之后，“Begin”按鈕會變成“Cancel”按鈕。在程序掃描網(wǎng)站期間，會在“Cancel”按鈕之下顯示進(jìn)度，且在檢查當(dāng)前網(wǎng)頁時，也會顯示相關(guān)正常鏈接與死鏈接的數(shù)目，死鏈接將顯示在程序底部的滾動文本框中

3、。單擊“Cancel”按鈕會停止掃描過程，之后可以輸入一個新的URL；如果期間沒有單擊“Cancel”，程序?qū)恢边\(yùn)行直到查找完所有網(wǎng)頁，此后，“Cancel”按鈕會再次變回“Begin”，表示程序已停止。下面將演示示例程序是如何與可復(fù)用“Spider”類交互的，示例程序包含在例1的CheckLinks類中，這個類實(shí)現(xiàn)了ISpiderReptable接口，如例2所示，正是通過這個接口，蜘蛛類才能與示例程序相交互。在這個接口中，定義了三

4、個方法：第一個方法是“spiderFoundURL”，它在每次程序定位一個URL時被調(diào)用，如果方法返回true，表示程序應(yīng)繼續(xù)執(zhí)行下去并找出其中的鏈接；第二個方法是“spiderURLErr”，它在每次程序檢測URL導(dǎo)致錯誤時被調(diào)用（如“404頁面未找到”）；第三個方法是“spiderFoundEMail”，它在每次發(fā)現(xiàn)電子郵件地址時被調(diào)用。有了這三個方法，Spider類就能把相關(guān)信息反饋給創(chuàng)建它的程序了。在begin方法被調(diào)用后，“蜘

5、蛛”就開始工作了；為允許程序重繪其用戶界面，“蜘蛛”是作為一個單獨(dú)的線程啟動的。點(diǎn)擊“Begin”按鈕會開始這個后臺線程，當(dāng)后臺線程運(yùn)行之后，又會調(diào)用“CheckLinks”類的run方法，而run方法是由Spider對象實(shí)例化時啟動的，如下所示：spider=newSpider(this)spider.clear()base=newURL(url.getText())el方法，或“wkloadWaiting”中已不再剩有URL。這個過

6、程如下：cancel=falsewhile(!getWkloadWaiting().isEmpty()f(inti=0(iprocessURL((URL)list[i])當(dāng)上述代碼遍歷“wkloadWaiting”時，它把每個需處理的URL都傳遞給“processURL”方法，而這個方法才是真正讀取并解析URL中HTML信息的。讀取并解析HTMLJava同時支持訪問URL內(nèi)容及解析HTML，而這正是“processURL”方法要做的。在

7、Java中讀取URL內(nèi)容相對還比較簡單，下面就是“processURL”方法實(shí)現(xiàn)此功能的代碼：URLConnectionconnection=url.openConnection()if((connection.getContentType()!=null)getWkloadProcessed().add(url)log(“Notprocessingbecausecontenttypeis:“connection.getContentT

8、ype())return首先，為每個傳遞進(jìn)來的變量url中存儲的URL構(gòu)造一個“URLConnection”對象，因為網(wǎng)站上會有多種類型的文檔，而“蜘蛛”只對那些包含HTML，尤其是基于文本的文檔感興趣。前述代碼是為了確保文檔內(nèi)容以“text”打頭，如果文檔類型為非文本，會從等待區(qū)移除此URL，并把它添加到已處理區(qū)，這也是為了保證不會再次訪問此URL。在對特定URL建立連接之后，接下來就要解析其內(nèi)容了。下面的代碼打開了URL連接，并讀取