先上我做的结果吧:
开始爬虫......................................... 当前有1个线程在等待 当前有2个线程在等待 当前有3个线程在等待 当前有4个线程在等待 当前有5个线程在等待 .....................
爬网页http://dev.yesky.com成功,深度为2 是由线程thread-9来爬 当前有7个线程在等待 爬网页http://www.cnblogs.com/rexyoung/archive/2012/05/01/2477960.html成功,深度为2 是由线程thread-2来爬 当前有8个线程在等待 爬网页http://www.hjenglish.com 成功,深度为2 是由线程thread-0来爬 当前有9个线程在等待 爬网页http://www.cnblogs.com/snandy/archive/2012/05/01/2476675.html成功,深度为2 是由线程thread-5来爬 当前有10个线程在等待 总共爬了159个网页 总共耗时53秒
上面是爬博客园的主页,只爬了两级深度,10个线程,总共耗时53秒,应该速度还算不错的,下面是所有的代码:
public class WebCrawler { ArrayList<String> allurlSet = new ArrayList<String>();//所有的网页url,需要更高效的去重可以考虑HashSet ArrayList<String> notCrawlurlSet = new ArrayList<String>();//未爬过的网页url HashMap<String, Integer> depth = new HashMap<String, Integer>();//所有网页的url深度 int crawDepth = 2; //爬虫深度 int threadCount = 10; //线程数量 int count = 0; //表示有多少个线程处于wait状态 public static final Object signal = new Object(); //线程间通信变量 public static void main(String[] args) { final WebCrawler wc = new WebCrawler(); // wc.addUrl("http://www.126.com", 1); wc.addUrl("http://www.cnblogs.com", 1); long start= System.currentTimeMillis(); System.out.println("开始爬虫........................................."); wc.begin(); while(true){ if(wc.notCrawlurlSet.isEmpty()&& Thread.activeCount() == 1||wc.count==wc.threadCount){ long end = System.currentTimeMillis(); System.out.println("总共爬了"+wc.allurlSet.size()+"个网页"); System.out.println("总共耗时"+(end-start)/1000+"秒"); System.exit(1); // break; } } } private void begin() { for(int i=0;i<threadCount;i++){ new Thread(new Runnable(){ public void run() { // System.out.println("当前进入"+Thread.currentThread().getName()); // while(!notCrawlurlSet.isEmpty()){ ----------------------------------(1) // String tmp = getAUrl(); // crawler(tmp); // } while (true) { // System.out.println("当前进入"+Thread.currentThread().getName()); String tmp = getAUrl(); if(tmp!=null){ crawler(tmp); }else{ synchronized(signal) { //------------------(2) try { count++; System.out.println("当前有"+count+"个线程在等待"); signal.wait(); } catch (InterruptedException e) { // TODO Auto-generated catch block e.printStackTrace(); } } } } } },"thread-"+i).start(); } } public synchronized String getAUrl() { if(notCrawlurlSet.isEmpty()) return null; String tmpAUrl; // synchronized(notCrawlurlSet){ tmpAUrl= notCrawlurlSet.get(0); notCrawlurlSet.remove(0); // } return tmpAUrl; } // public synchronized boolean isEmpty() { // boolean f = notCrawlurlSet.isEmpty(); // return f; // } public synchronized void addUrl(String url,int d){ notCrawlurlSet.add(url); allurlSet.add(url); depth.put(url, d); } //爬网页sUrl public void crawler(String sUrl){ URL url; try { url = new URL(sUrl); // HttpURLConnection urlconnection = (HttpURLConnection)url.openConnection(); URLConnection urlconnection = url.openConnection(); urlconnection.addRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.0)"); InputStream is = url.openStream(); BufferedReader bReader = new BufferedReader(new InputStreamReader(is)); StringBuffer sb = new StringBuffer();//sb为爬到的网页内容 String rLine = null; while((rLine=bReader.readLine())!=null){ sb.append(rLine); sb.append("/r/n"); } int d = depth.get(sUrl); System.out.println("爬网页"+sUrl+"成功,深度为"+d+" 是由线程"+Thread.currentThread().getName()+"来爬"); if(d<crawDepth){ //解析网页内容,从中提取链接 parseContext(sb.toString(),d+1); } // System.out.println(sb.toString()); } catch (IOException e) { // crawlurlSet.add(sUrl); // notCrawlurlSet.remove(sUrl); e.printStackTrace(); } } //从context提取url地址 public void parseContext(String context,int dep) { String regex = "<a href.*?/a>"; // String regex = "<title>.*?</title>"; String s = "fdfd<title>我 是</title><a href=\"http://www.iteye.com/blogs/tag/Google\">Google</a>fdfd<>"; // String regex ="http://.*?>"; Pattern pt = Pattern.compile(regex); Matcher mt = pt.matcher(context); while (mt.find()) { // System.out.println(mt.group()); Matcher myurl = Pattern.compile("href=\".*?\"").matcher( mt.group()); while(myurl.find()){ String str = myurl.group().replaceAll("href=\"|\"", ""); // System.out.println("网址是:"+ str); if(str.contains("http:")){ //取出一些不是url的地址 if(!allurlSet.contains(str)){ addUrl(str, dep);//加入一个新的url if(count>0){ //如果有等待的线程,则唤醒 synchronized(signal) { //---------------------(2) count--; signal.notify(); } } } } } } } }
在上面(1)(2)两个地方卡了很久,两个地方其实是一个知识点,都是多线程的知识:
一开始用了
// while(!notCrawlurlSet.isEmpty()){ ----------------------------------(1) // String tmp = getAUrl(); // crawler(tmp); // }
一进入线程就判断notCrawlurlSet为不为空,但是是多线程的,一开始notCrawlurlSet不为空,所以所有的线程都进入了循环,尽管getAul()方法我设置了synchronized,但是一旦一个线程从getAurl()方法出来,另外一个线程就会进去,看一开始的getAurl方法的代码:
public synchronized String getAUrl() { String tmpAUrl; // synchronized(notCrawlurlSet){ tmpAUrl= notCrawlurlSet.get(0); notCrawlurlSet.remove(0); // } return tmpAUrl; }每一次都会删除一个notCrawlurlSet数组里面的元素,导致第一个线程执行完getAUrl方法时,且notCrawlurlSet恰好为空的时候,另外一个线程进入就会报错,因为notCrawlUrlSet没有元素,get(0)会报错。后来把getAUrl函数改成:
public synchronized String getAUrl() { if(notCrawlurlSet.isEmpty()) return null; String tmpAUrl; // synchronized(notCrawlurlSet){ tmpAUrl= notCrawlurlSet.get(0); notCrawlurlSet.remove(0); // } return tmpAUrl; }
在线程的run函数改成:
while (true) { // System.out.println("当前进入"+Thread.currentThread().getName()); String tmp = getAUrl(); if(tmp!=null){ crawler(tmp); }else{ synchronized(signal) { try { count++; System.out.println("当前有"+count+"个线程在等待"); signal.wait(); } catch (InterruptedException e) { // TODO Auto-generated catch block e.printStackTrace(); } } } }
即线程进入后就调用getAUrl函数,从notCrawlurlSet数组取url,如果没有取到,则用signal来让此线程等待,但是在哪里唤醒呢?肯定在notCrawlurlSet有元素的时候唤醒,即notCrawlurlSet不能空的时候,这其中有个很重要的变量count,它表示正在等待的线程个数,只有count大于0才会唤醒线程,即只有有线程在等待的时候才会调用signal.notify(); 此段实现在parseContext函数里面:
if(str.contains("http:")){ //取出一些不是url的地址 if(!allurlSet.contains(str)){ addUrl(str, dep);//加入一个新的url if(count>0){ //如果有等待的线程,则唤醒 synchronized(signal) { count--; signal.notify(); } } } }
这个count变量还解决了我一个问题,当所有的线程启动后,也正确的爬取网页了,但是不知道怎么结束这些线程,因为线程都是永久循环的,有了count变量,就知道有多少线程在等待,当等待的线程等于threadCount的时候,就表示已经爬完了,因为所有线程都在等待了,不会往notCrawlurlSet添加新的url了,此时已经爬完了指定深度的所有网页。
写下自己的一点感悟,明白原理是一回事,有时候实现起来也挺费神的。
代码几度修改,还有待完善的地方及我的思路:
1:爬取的网页要存起来,该怎么存放也是一个问题,目录怎么生成?网页自动分类?等等,分类可以用考虑贝叶斯分类器,分好类之后安装类别来存储。
2:网页去重问题,如果url太多,内存装不下去怎么办?考虑先压缩,比如MD5压缩,同时MD5又能得到hash值,最简单的是hash去重,或者可以考虑用bloom filter去重,还有一种方法是考虑用key-value数据库来实现去重,不过我对key-value数据库不是很了解,应该类似hash,但是效率的问题数据库已经帮你解决了。
3:url不同的网页也可能内容一样,怎么判断网页相似度问题。网页相似度可以先提取网页正文,方法有行块函数法,提取正文后再可以用向量余弦法来计算相似度。
4:增量抓取的问题,一个网页抓取之后,什么时候再重新来抓?可以针对具体的网页的更新频率来解决这个问题,如新浪首页的新闻可能更新快一些,重新来爬的频率会更快一点。
暂时想到这些,以后继续完善。