http://johnhany.net/2013/11/web-crawler-using-java-and-mysql/
网络爬虫，也叫网络蜘蛛，有的项目也把它称作“walker”。*所给的定义是“一种系统地扫描互联网，以获取索引为目的的网络程序”。网络上有很多关于网络爬虫的开源项目，其中比较有名的是Heritrix和Apache Nutch。
有时需要在网上搜集信息，如果需要搜集的是获取方法单一而人工搜集费时费力的信息，比如统计一个网站每个月发了多少篇文章、用了哪些标签，为自然语言处理项目搜集语料，或者为模式识别项目搜集图片等等，就需要爬虫程序来完成这样的任务。而且搜索引擎必不可少的组件之一也是网络爬虫。
很多网络爬虫都是用Python，Java或C#实现的。我这里给出的是Java版本的爬虫程序。为了节省时间和空间，我把程序限制在只扫描本博客地址下的网页（也就是http://johnhan.net/但不包括http://johnhany.net/wp-content/下的内容），并从网址中统计出所用的所有标签。只要稍作修改，去掉代码里的限制条件就能作为扫描整个网络的程序使用。或者对输出格式稍作修改，可以作为生成博客sitemap的工具。
代码也可以在这里下载：johnhany/WPCrawler。
环境需求
我的开发环境是Windows7 + Eclipse。
需要XAMPP提供通过url访问MySQL数据库的端口。
还要用到三个开源的Java类库：
Apache HttpComponents 4.3 提供HTTP接口，用来向目标网址提交HTTP请求，以获取网页的内容；
HTML Parser 2.0 用来解析网页，从DOM节点中提取网址链接；
MySQL Connector/J 5.1.27 连接Java程序和MySQL，然后就可以用Java代码操作数据库。
代码
代码位于三个文件中，分别是：crawler.java，httpGet.java和parsePage.java。包名为net.johnhany.wpcrawler。
crawler.java
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
|
packagenet.johnhany.wpcrawler;
importjava.sql.Connection;
import java.sql.DriverManager;
importjava.sql.ResultSet;
import java.sql.SQLException;
importjava.sql.Statement;
publicclasscrawler{
publicstaticvoidmain(Stringargs[])throwsException{
Stringfrontpage="http://johnhany.net/";
Connectionconn=null;
//connect the MySQL database
try{
Class.forName("com.mysql.jdbc.Driver");
Stringdburl="jdbc:mysql://localhost:3306?useUnicode=true&characterEncoding=utf8";
conn=DriverManager.getConnection(dburl,"root","");
System.out.println("connection built");
}catch(SQLExceptione){
e.printStackTrace();
}catch(ClassNotFoundExceptione){
e.printStackTrace();
}
Stringsql=null;
Stringurl=frontpage;
Statementstmt=null;
ResultSetrs=null;
intcount=0;
if(conn!=null){
//create database and table that will be needed
try{
sql="CREATE DATABASE IF NOT EXISTS crawler";
stmt=conn.createStatement();
stmt.executeUpdate(sql);
sql="USE crawler";
stmt=conn.createStatement();
stmt.executeUpdate(sql);
sql="create table if not exists record (recordID int(5) not null auto_increment, URL text not null, crawled tinyint(1) not null, primary key (recordID)) engine=InnoDB DEFAULT CHARSET=utf8";
stmt=conn.createStatement();
stmt.executeUpdate(sql);
sql="create table if not exists tags (tagnum int(4) not null auto_increment, tagname text not null, primary key (tagnum)) engine=InnoDB DEFAULT CHARSET=utf8";
stmt=conn.createStatement();
stmt.executeUpdate(sql);
}catch(SQLExceptione){
e.printStackTrace();
}
//crawl every link in the database
while(true){
//get page content of link "url"
httpGet.getByString(url,conn);
count++;
//set boolean value "crawled" to true after crawling this page
sql="UPDATE record SET crawled = 1 WHERE URL = '"+url+"'";
stmt=conn.createStatement();
if(stmt.executeUpdate(sql)>0){
//get the next page that has not been crawled yet
sql="SELECT * FROM record WHERE crawled = 0";
stmt=conn.createStatement();
rs=stmt.executeQuery(sql);
if(rs.next()){
url=rs.getString(2);
}else{
//stop crawling if reach the bottom of the list
break;
}
//set a limit of crawling count
if(count>1000||url==null){
break;
}
}
}
conn.close();
conn=null;
System.out.println("Done.");
System.out.println(count);
}
}
}
|
httpGet.java
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
|
packagenet.johnhany.wpcrawler;
importjava.io.IOException;
import java.sql.Connection;
import org.apache.http.HttpEntity;
importorg.apache.http.HttpResponse;
import org.apache.http.client.ClientProtocolException;
importorg.apache.http.client.ResponseHandler;
import org.apache.http.client.methods.HttpGet;
importorg.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
importorg.apache.http.util.EntityUtils;
publicclasshttpGet{
publicfinalstaticvoidgetByString(Stringurl,Connectionconn)throwsException{
CloseableHttpClienthttpclient=HttpClients.createDefault();
try{
HttpGethttpget=newHttpGet(url);
System.out.println("executing request " +httpget.getURI());
ResponseHandler<String>responseHandler= newResponseHandler<String>(){
publicStringhandleResponse(
finalHttpResponseresponse)throwsClientProtocolException,IOException{
intstatus=response.getStatusLine().getStatusCode();
if(status>=200&&status<300){
HttpEntityentity=response.getEntity();
returnentity!=null?EntityUtils.toString(entity):null;
}else{
thrownewClientProtocolException("Unexpected response status: "+status);
}
}
};
StringresponseBody=httpclient.execute(httpget,responseHandler);
/*
//print the content of the page
System.out.println("----------------------------------------");
System.out.println(responseBody);
System.out.println("----------------------------------------");
*/
parsePage.parseFromString(responseBody,conn);
}finally{
httpclient.close();
}
}
}
|
parsePage.java
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
|
packagenet.johnhany.wpcrawler;
importjava.sql.Connection;
import java.sql.PreparedStatement;
importjava.sql.ResultSet;
import java.sql.SQLException;
importjava.sql.Statement;
importorg.htmlparser.Node;
import org.htmlparser.Parser;
importorg.htmlparser.filters.HasAttributeFilter;
import org.htmlparser.tags.LinkTag;
importorg.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;
import java.net.URLDecoder;
publicclassparsePage{
publicstaticvoidparseFromString(Stringcontent,Connectionconn)throwsException{
Parserparser=newParser(content);
HasAttributeFilterfilter=newHasAttributeFilter("href");
try{
NodeListlist=parser.parse(filter);
intcount=list.size();
//process every link on this page
for(inti=0;i<count;i++){
Nodenode=list.elementAt(i);
if(nodeinstanceofLinkTag){
LinkTaglink=(LinkTag)node;
Stringnextlink=link.extractLink();
Stringmainurl="http://johnhany.net/";
Stringwpurl=mainurl+"wp-content/";
//only save page from "http://johnhany.net"
if(nextlink.startsWith(mainurl)){
Stringsql=null;
ResultSetrs=null;
PreparedStatementpstmt=null;
Statementstmt=null;
Stringtag=null;
//do not save any page from "wp-content"
if(nextlink.startsWith(wpurl)){
continue;
}
try{
//check if the link already exists in the database
sql="SELECT * FROM record WHERE URL = '"+nextlink+"'";
stmt=conn.createStatement(ResultSet.TYPE_FORWARD_ONLY,ResultSet.CONCUR_UPDATABLE);
rs=stmt.executeQuery(sql);
if(rs.next()){
}else{
//if the link does not exist in the database, insert it
sql="INSERT INTO record (URL, crawled) VALUES ('"+nextlink+"',0)";
pstmt=conn.prepareStatement(sql,Statement.RETURN_GENERATED_KEYS);
pstmt.execute();
System.out.println(nextlink);
//use substring for better comparison performance
nextlink=nextlink.substring(mainurl.length());
//System.out.println(nextlink);
if(nextlink.startsWith("tag/")){
tag=nextlink.substring(4,nextlink.length()-1);
//decode in UTF-8 for Chinese characters
tag=URLDecoder.decode(tag,"UTF-8");
sql="INSERT INTO tags (tagname) VALUES ('"+tag+"')";
pstmt=conn.prepareStatement(sql,Statement.RETURN_GENERATED_KEYS);
//if the links are different from each other, the tags must be different
//so there is no need to check if the tag already exists
pstmt.execute();
}
}
}catch(SQLExceptione){
//handle the exceptions
System.out.println("SQLException: " +e.getMessage());
System.out.println("SQLState: " +e.getSQLState());
System.out.println("VendorError: " +e.getErrorCode());
}finally{
//close and release the resources of PreparedStatement, ResultSet and Statement
if(pstmt!=null){
try{
pstmt.close();
}catch(SQLExceptione2){}
}
pstmt=null;
if(rs!=null){
try{
rs.close();
}catch(SQLExceptione1){}
}
rs=null;
if(stmt!=null){
try{
stmt.close();
}catch(SQLExceptione3){}
}
stmt=null;
}
}
}
}
}catch(ParserExceptione){
e.printStackTrace();
}
}
}
|
程序原理
所谓“互联网”，是网状结构，任意两个节点间都有可能存在路径。爬虫程序对互联网的扫描，在图论角度来讲，就是对有向图的遍历（链接是从一个网页指向另一个网页，所以是有向的）。常见的遍历方法有深度优先和广度优先两种。相关理论知识可以参考树的遍历：这里和这里。我的程序采用的是广度优先方式。
程序从crawler.java的main()开始运行。
|
1
2
3
4
|
Class.forName("com.mysql.jdbc.Driver");
Stringdburl="jdbc:mysql://localhost:3306?useUnicode=true&characterEncoding=utf8";
conn=DriverManager.getConnection(dburl,"root","");
System.out.println("connection built");
|
首先，调用DriverManager连接MySQL服务。这里使用的是XAMPP的默认MySQL端口3306，端口值可以在XAMPP主界面看到：
Apache和MySQL都启动之后，在浏览器地址栏输入“http://localhost/phpmyadmin/”就可以看到数据库了。等程序运行完之后可以在这里检查一下运行是否正确。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
sql="CREATE DATABASE IF NOT EXISTS crawler";
stmt=conn.createStatement();
stmt.executeUpdate(sql);
sql="USE crawler";
stmt=conn.createStatement();
stmt.executeUpdate(sql);
sql="create table if not exists record (recordID int(5) not null auto_increment, URL text not null, crawled tinyint(1) not null, primary key (recordID)) engine=InnoDB DEFAULT CHARSET=utf8";
stmt=conn.createStatement();
stmt.executeUpdate(sql);
sql="create table if not exists tags (tagnum int(4) not null auto_increment, tagname text not null, primary key (tagnum)) engine=InnoDB DEFAULT CHARSET=utf8";
stmt=conn.createStatement();
stmt.executeUpdate(sql);
|
连接好数据库后，建立一个名为“crawler”的数据库，在库里建两个表，一个叫“record”，包含字段“recordID”，“URL”和“crawled”，分别记录地址编号、链接地址和地址是否被扫描过；另一个叫“tags”，包含字段“tagnum”和“tagname”，分别记录标签编号和标签名。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
while(true){
httpGet.getByString(url,conn);
count++;
sql="UPDATE record SET crawled = 1 WHERE URL = '"+url+"'";
stmt=conn.createStatement();
if(stmt.executeUpdate(sql)>0){
sql="SELECT * FROM record WHERE crawled = 0";
stmt=conn.createStatement();
rs=stmt.executeQuery(sql);
if(rs.next()){
url=rs.getString(2);
}else{
break;
}
}
}
|
接着在一个while循环内依次处理表record内的每个地址。每次处理时，把地址url传递给httpGet.getByString()，然后在表record中把crawled改为true，表明这个地址已经处理过。然后寻找下一个crawled为false的地址，继续处理，直到处理到表尾。
这里需要注意的细节是，执行executeQuery()后，得到了一个ResultSet结构rs，rs包含SQL查询返回的所有行和一个指针，指针指向结果中第一行之前的位置，需要执行一次rs.next()才能让rs的指针指向第一个结果，同时返回true，之后每次执行rs.next()都会把指针移到下一个结果上并返回true，直至再也没有结果时，rs.next()的返回值变成了false。
还有一个细节，在执行建库建表、INSERT、UPDATE时，需要用executeUpdate()；在执行SELECT时，需要使用executeQuery()。executeQuery()总是返回一个ResultSet，executeUpdate()返回符合查询的行数。
httpGet.java的getByString()类负责向所给的网址发送请求，然后下载网页内容。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
HttpGethttpget=newHttpGet(url);
System.out.println("executing request " +httpget.getURI());
ResponseHandler<String>responseHandler= newResponseHandler<String>(){
publicStringhandleResponse(
finalHttpResponseresponse)throwsClientProtocolException,IOException{
intstatus=response.getStatusLine().getStatusCode();
if(status>=200&&status<300){
HttpEntityentity=response.getEntity();
returnentity!=null?EntityUtils.toString(entity):null;
}else{
thrownewClientProtocolException("Unexpected response status: "+status);
}
}
};
StringresponseBody=httpclient.execute(httpget,responseHandler);
|
这段代码是HTTPComponents的HTTP Client组件中给出的样例，在很多情况下可以直接使用。这部分代码获得了一个字符串responseBody，里面保存着网页中的全部字符。
接着，就需要把responseBody传递给parsePage.java的parseFromString类提取链接。
|
1
2
3
4
5
6
7
8
9
10
11
|
Parserparser=newParser(content);
HasAttributeFilter filter=newHasAttributeFilter("href");
try{
NodeListlist=parser.parse(filter);
intcount=list.size();
//process every link on this page
for(inti=0;i<count;i++){
Nodenode=list.elementAt(i);
if(nodeinstanceofLinkTag){
|
在HTML文件中，链接一般都在a标签的href属性中，所以需要创建一个属性过滤器。NodeList保存着这个HTML文件中的所有DOM节点，通过在for循环中依次处理每个节点寻找符合要求的标签，可以把网页中的所有链接提取出来。
然后通过nextlink.startsWith()进一步筛选，只处理以“http://johnhany.net/”开头的链接并跳过以“http://johnhany.net/wp-content/”开头的链接。
|
1
2
3
4
5
6
7
8
9
10
11
|
sql="SELECT * FROM record WHERE URL = '"+nextlink+"'";
stmt=conn.createStatement(ResultSet.TYPE_FORWARD_ONLY,ResultSet.CONCUR_UPDATABLE);
rs=stmt.executeQuery(sql);
if(rs.next()){
}else{
//if the link does not exist in the database, insert it
sql="INSERT INTO record (URL, crawled) VALUES ('"+nextlink+"',0)";
pstmt=conn.prepareStatement(sql,Statement.RETURN_GENERATED_KEYS);
pstmt.execute();
|
在表record中查找是否已经存在这个链接，如果存在（rs.next()==true），不做任何处理；如果不存在（rs.next()==false），在表中插入这个地址并把crawled置为false。因为之前recordID设为AUTO_INCREMENT，所以要用 Statement.RETURN_GENERATED_KEYS获取适当的编号。
|
1
2
3
4
5
6
7
8
|
nextlink=nextlink.substring(mainurl.length());
if(nextlink.startsWith("tag/")){
tag=nextlink.substring(4,nextlink.length()-1);
tag=URLDecoder.decode(tag,"UTF-8");
sql="INSERT INTO tags (tagname) VALUES ('"+tag+"')";
pstmt=conn.prepareStatement(sql,Statement.RETURN_GENERATED_KEYS);
pstmt.execute();
|
去掉链接开头的“http://johnhany.net/”几个字符，提高字符比较的速度。如果含有“tag/”说明其后的字符是一个标签的名字，把这给名字提取出来，用UTF-8编码，保证汉字的正常显示，然后存入表tags。类似地还可以加入判断“article/”，“author/”，或“2013/11/”等对其他链接进行归类。
结果
这是两张数据库的截图，显示了程序的部分结果：
在这里可以获得全部输出结果。可以与本博客的sitemap比较一下，看看如果想在其基础上实现sitemap生成工具，还要做哪些修改。