之前写过很多单页面python爬虫，感觉python还是很好用的，这里用java总结一个多页面的爬虫，迭代爬取种子页面的所有链接的页面，全部保存在tmp路径下。
1 序言
实现这个爬虫需要两个数据结构支持，unvisited队列(priorityqueue：可以适用pagerank等算法计算出url重要度)和visited表(hashset：可以快速查找url是否存在)；队列用于实现宽度优先爬取，visited表用于记录爬取过的url，不再重复爬取，避免了环。java爬虫需要的工具包有httpclient和htmlparser1.5，可以在maven repo中查看具体版本的下载。
1目标网站：新浪 http://www.sina.com.cn/
2结果截图：
下面说说爬虫的实现，后期源码会上传到github中，需要的朋友可以留言：
二 爬虫编程
1创建种子页面的url
MyCrawler crawler = newMyCrawler();
crawler.crawling(new String[]{"http://www.sina.com.cn/"});
2初始化unvisited表为上面的种子url
LinkQueue.addUnvisitedUrl(seeds[i]);
3最主要的逻辑实现部分：在队列中取出没有visit过的url，进行下载，然后加入visited的表，并解析改url页面上的其它url，把未读取的加入到unvisited队列；迭代到队列为空停止，所以这个url网络还是很庞大的。注意，这里的页面下载和页面解析需要java的工具包实现，下面具体说明下工具包的使用。
while(!LinkQueue.unVisitedUrlsEmpty()&&LinkQueue.getVisitedUrlNum()<=1000)
{//队头URL出队列
String visitUrl=(String)LinkQueue.unVisitedUrlDeQueue();if(visitUrl==null)continue;
DownLoadFile downLoader=newDownLoadFile();//下载网页
downLoader.downloadFile(visitUrl);//该 url 放入到已访问的 URL 中
LinkQueue.addVisitedUrl(visitUrl);//提取出下载网页中的 URL
Set links=HtmlParserTool.extracLinks(visitUrl,filter);//新的未访问的 URL 入队
for(String link:links)
{
LinkQueue.addUnvisitedUrl(link);
}
}
4下面html页面的download工具包
publicString downloadFile(String url) {
String filePath= null;HttpClient httpClient= newHttpClient();//设置 Http 连接超时 5s
httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(5000);GetMethod getMethod= newGetMethod(url);//设置 get 请求超时 5s
getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000);//设置请求重试处理
getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,newDefaultHttpMethodRetryHandler());
try{int statusCode =httpClient.executeMethod(getMethod);//判断访问的状态码
if (statusCode !=HttpStatus.SC_OK) {
System.err.println("Method failed:"
+getMethod.getStatusLine());
filePath= null;
}
byte[] responseBody = getMethod.getResponseBody();//读取为字节数组//根据网页 url 生成保存时的文件名
filePath = "temp\"
+getFileNameByUrl(url, getMethod.getResponseHeader("Content-Type").getValue());
saveToLocal(responseBody, filePath);
}catch(HttpException e) {//发生致命的异常，可能是协议不对或者返回的内容有问题
System.out.println("Please check your provided http address!");
e.printStackTrace();
}catch(IOException e) {//发生网络异常
e.printStackTrace();
}finally{//释放连接
getMethod.releaseConnection();
}returnfilePath;
}
5html页面的解析工具包：
public static SetextracLinks(String url, LinkFilter filter) {
Set links = new HashSet();try{
Parser parser= newParser(url);
parser.setEncoding("gb2312");//过滤 标签的 filter，用来提取 frame 标签里的 src 属性所表示的链接
NodeFilter frameFilter = newNodeFilter() {publicboolean accept(Node node) {if (node.getText().startsWith("frame src=")) {return true;
}else{return false;
}
}
};//OrFilter 来设置过滤 标签，和 标签
OrFilter linkFilter = new OrFilter(newNodeClassFilter(
LinkTag.class), frameFilter);//得到所有经过过滤的标签
NodeList list =parser.extractAllNodesThatMatch(linkFilter);for (int i = 0; i < list.size(); i++) {
Node tag=list.elementAt(i);if (tag instanceof LinkTag)// 标签
{
LinkTag link=(LinkTag) tag;
String linkUrl= link.getLink();//url
if(filter.accept(linkUrl))
links.add(linkUrl);
}else// 标签
{//提取 frame 里 src 属性的链接如
String frame =tag.getText();int start = frame.indexOf("src=");
frame=frame.substring(start);int end = frame.indexOf(" ");if (end == -1)
end= frame.indexOf(">");
String frameUrl= frame.substring(5, end - 1);if(filter.accept(frameUrl))
links.add(frameUrl);
}
}
}catch(ParserException e) {
e.printStackTrace();
}returnlinks;
}
6未访问页面使用PriorityQueue带偏好的队列保存，主要是为了适用于pagerank等算法，有的url忠诚度更高一些；visited表采用hashset实现，注意可以快速查找是否存在；
public classLinkQueue {//已访问的 url 集合
private static Set visitedUrl = newHashSet();//待访问的 url 集合
private static Queue unVisitedUrl = newPriorityQueue();//获得URL队列
public staticQueue getUnVisitedUrl() {returnunVisitedUrl;
}//添加到访问过的URL队列中
public static voidaddVisitedUrl(String url) {
visitedUrl.add(url);
}//移除访问过的URL
public static voidremoveVisitedUrl(String url) {
visitedUrl.remove(url);
}//未访问的URL出队列
public staticObject unVisitedUrlDeQueue() {returnunVisitedUrl.poll();
}//保证每个 url 只被访问一次
public static voidaddUnvisitedUrl(String url) {if (url != null && !url.trim().equals("")&& !visitedUrl.contains(url)&& !unVisitedUrl.contains(url))
unVisitedUrl.add(url);
}//获得已经访问的URL数目
public static intgetVisitedUrlNum() {returnvisitedUrl.size();
}//判断未访问的URL队列中是否为空
public staticboolean unVisitedUrlsEmpty() {returnunVisitedUrl.isEmpty();
}