网络爬虫大白话解析

网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成，其基本架构如下图所示：

传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列，直到满足系统的一定停止条件。对于垂直搜索来说，聚焦爬虫，即有针对性地爬取特定主题网页的爬虫，更为适合。

本文爬虫程序的核心代码如下：

Java代码

1. public void crawl() throws Throwable {     
2.     while (continueCrawling()) {     
3.         CrawlerUrl url = getNextUrl(); //获取待爬取队列中的下一个URL     
4.         if (url != null) {     
5.             printCrawlInfo();      
6.             String content = getContent(url); //获取URL的文本信息     
7.                  
8.             //聚焦爬虫只爬取与主题内容相关的网页，这里采用正则匹配简单处理     
9.             if (isContentRelevant(content, this.regexpSearchPattern)) {     
10.                 saveContent(url, content); //保存网页至本地     
11.     
12.                 //获取网页内容中的链接，并放入待爬取队列中     
13.                 Collection urlStrings = extractUrls(content, url);     
14.                 addUrlsToUrlQueue(url, urlStrings);     
15.             } else {     
16.                 System.out.println(url + " is not relevant ignoring ...");     
17.             }     
18.     
19.             //延时防止被对方屏蔽     
20.             Thread.sleep(this.delayBetweenUrls);     
21.         }     
22.     }     
23.     closeOutputStream();     
24. }    

整个函数由getNextUrl、getContent、isContentRelevant、extractUrls、addUrlsToUrlQueue等几个核心方法组成，下面将一一介绍。先看getNextUrl：

Java代码

1. private CrawlerUrl getNextUrl() throws Throwable {     
2.     CrawlerUrl nextUrl = null;     
3.     while ((nextUrl == null) && (!urlQueue.isEmpty())) {     
4.         CrawlerUrl crawlerUrl = this.urlQueue.remove();     
5.                     
6.         //doWeHavePermissionToVisit：是否有权限访问该URL，友好的爬虫会根据网站提供的"Robot.txt"中配置的规则进行爬取     
7.         //isUrlAlreadyVisited：URL是否访问过，大型的搜索引擎往往采用BloomFilter进行排重，这里简单使用HashMap     
8.         //isDepthAcceptable：是否达到指定的深度上限。爬虫一般采取广度优先的方式。一些网站会构建爬虫陷阱（自动生成一些无效链接使爬虫陷入死循环），采用深度限制加以避免     
9.         if (doWeHavePermissionToVisit(crawlerUrl)     
10.             && (!isUrlAlreadyVisited(crawlerUrl))      
11.             && isDepthAcceptable(crawlerUrl)) {     
12.             nextUrl = crawlerUrl;     
13.             // System.out.println("Next url to be visited is " + nextUrl);     
14.         }     
15.     }     
16.     return nextUrl;     
17. }   

更多的关于robot.txt的具体写法，可参考以下这篇文章：

http://www.bloghuman.com/post/67/

getContent内部使用apache的httpclient 4.1获取网页内容，具体代码如下：

Java代码

1. private String getContent(CrawlerUrl url) throws Throwable {     
2.     //HttpClient4.1的调用与之前的方式不同     
3.     HttpClient client = new DefaultHttpClient();     
4.     HttpGet httpGet = new HttpGet(url.getUrlString());     
5.     StringBuffer strBuf = new StringBuffer();     
6.     HttpResponse response = client.execute(httpGet);     
7.     if (HttpStatus.SC_OK == response.getStatusLine().getStatusCode()) {     
8.         HttpEntity entity = response.getEntity();     
9.         if (entity != null) {     
10.             BufferedReader reader = new BufferedReader(     
11.                 new InputStreamReader(entity.getContent(), "UTF-8"));     
12.             String line = null;     
13.             if (entity.getContentLength() > 0) {     
14.                 strBuf = new StringBuffer((int) entity.getContentLength());     
15.                 while ((line = reader.readLine()) != null) {     
16.                     strBuf.append(line);     
17.                 }     
18.             }     
19.         }     
20.         if (entity != null) {     
21.             entity.consumeContent();     
22.         }     
23.     }     
24.     //将url标记为已访问     
25.     markUrlAsVisited(url);     
26.     return strBuf.toString();     
27. }    

对于垂直型应用来说，数据的准确性往往更为重要。聚焦型爬虫的主要特点是，只收集和主题相关的数据，这就是isContentRelevant方法的作用。这里或许要使用分类预测技术，为简单起见，采用正则匹配来代替。其主要代码如下：

Java代码

1. public static boolean isContentRelevant(String content,     
2. Pattern regexpPattern) {     
3.     boolean retValue = false;     
4.     if (content != null) {     
5.         //是否符合正则表达式的条件     
6.         Matcher m = regexpPattern.matcher(content.toLowerCase());     
7.         retValue = m.find();     
8.     }     
9.     return retValue;     
10. }    

extractUrls的主要作用，是从网页中获取更多的URL，包括内部链接和外部链接，代码如下：

Java代码

1. public List extractUrls(String text, CrawlerUrl crawlerUrl) {     
2.     Map urlMap = new HashMap();     
3.     extractHttpUrls(urlMap, text);     
4.     extractRelativeUrls(urlMap, text, crawlerUrl);     
5.     return new ArrayList(urlMap.keySet());     
6. }     
7.     
8. //处理外部链接     
9. private void extractHttpUrls(Map urlMap, String text) {     
10.     Matcher m = httpRegexp.matcher(text);     
11.     while (m.find()) {     
12.         String url = m.group();     
13.         String[] terms = url.split("a href=\"");     
14.         for (String term : terms) {     
15.             // System.out.println("Term = " + term);     
16.             if (term.startsWith("http")) {     
17.                 int index = term.indexOf("\"");     
18.                 if (index > 0) {     
19.                     term = term.substring(0, index);     
20.                 }     
21.                 urlMap.put(term, term);     
22.                 System.out.println("Hyperlink: " + term);     
23.             }     
24.         }     
25.     }     
26. }     
27.     
28. //处理内部链接     
29. private void extractRelativeUrls(Map urlMap, String text,     
30.         CrawlerUrl crawlerUrl) {     
31.     Matcher m = relativeRegexp.matcher(text);     
32.     URL textURL = crawlerUrl.getURL();     
33.     String host = textURL.getHost();     
34.     while (m.find()) {     
35.         String url = m.group();     
36.         String[] terms = url.split("a href=\"");     
37.         for (String term : terms) {     
38.             if (term.startsWith("/")) {     
39.                 int index = term.indexOf("\"");     
40.                 if (index > 0) {     
41.                     term = term.substring(0, index);     
42.                 }     
43.                 String s = "http://" + host + term;     
44.                 urlMap.put(s, s);     
45.                 System.out.println("Relative url: " + s);     
46.             }     
47.         }     
48.     }     
49.     
50. }    

如此，便构建了一个简单的网络爬虫程序，可以使用以下程序来测试它：

Java代码

1. public static void main(String[] args) {     
2.     try {     
3.         String url = "http://www.amazon.com";     
4.         Queue urlQueue = new LinkedList();     
5.         String regexp = "java";     
6.         urlQueue.add(new CrawlerUrl(url, 0));     
7.         NaiveCrawler crawler = new NaiveCrawler(urlQueue, 100, 5, 1000L,     
8.                 regexp);     
9.         // boolean allowCrawl = crawler.areWeAllowedToVisit(url);     
10.         // System.out.println("Allowed to crawl: " + url + " " +     
11.         // allowCrawl);     
12.         crawler.crawl();     
13.     } catch (Throwable t) {     
14.         System.out.println(t.toString());     
15.         t.printStackTrace();     
16.     }     
17. }    

当然，你可以为它赋予更为高级的功能，比如多线程、更智能的聚焦、结合Lucene建立索引等等。更为复杂的情况，可以考虑使用一些开源的蜘蛛程序，比如Nutch或是Heritrix等等，就不在本文的讨论范围了。