以前做过全文检索加网页爬虫，针对的是整个因特网，不过，用的开源的网页抓取工具，hreitrix，研究其源码，但也只是稍微修改了部分源码，以达到业务需要，不过，后面，因为项目停了，这个工作我也就搁置了，后面自己单独写了个类似原理的爬虫，当然，我写的这个简单的很，代码也没有写规范。
现在有个任务，需要将整个湖南省的所有区域写入数据库中，我就将原来的写的一个爬虫工具拿出来，修改了一下，刚好能跑，按照需求也算完成了任务。
原理就是用jsoup将网页下载到本地：
- 利用递归算法解析出所有的链接，然后再拼出正确的http路径，当然，你也可以不用下载到本地，这样的话，你每测试一次就会从网上去下载 一次，这样的话，性能很差，所以，我选择的是下载到本地
- 然后利用htmlparser工具包，解析对应的数据，然后将数据导入到数据库里
/**
*用线程池的方法添加启动程序，效率有所提升
*/
public class ChoeseClass {
public static String url = "http://www.stats.gov.cn/tjbz/cxfldm/2012/43.html";// 网站地址
public static String chose = ".citytable";//命名的规则，其实就是一个网页里的一个class = // '.tt1'的网页
static BlockingQueue<String> queue = new LinkedBlockingQueue<String>(10);
public static void main(String[] args) throws IOException {
ExecutorService service = Executors.newCachedThreadPool();
Thread t1 = new CatchURL(queue);
service.execute(t1);//抓取链接地址是单线程的
Thread t2 = new DownLoadHtml(queue);
for (int i = 0; i < 10; i++) {//下载网页用多线程
service.execute(t2);
}
}
}
class DownLoadHtml extends Thread {
private BlockingQueue<String> queue;
public DownLoadHtml(BlockingQueue<String> queue){
this.queue = queue;
}
@Override
public void run() {
try {
while (true) {
System.out.println(Thread.currentThread().getName());
//System.out.println(this.queue.take().toString());
new MirroCraw(this.queue.take().toString(), "G://test//local");
// Thread.sleep(10000);// 设置等待时间为10秒钟，下载一个网页的最大时间为10秒钟
if (this.queue.size() == -1)// 一直判断是否还是没有处理完的链接
break;
}
} catch (Exception e) {
e.printStackTrace();
}
}
}
/**
* 抓取链接地址，并添加到一个线程安全的队列中
（自己也实现了一个线程安全的队列，用双向list添加，由于添加了list去重方法，效率很低，所以改成jdk自带的队列来实现）
*/
class CatchURL extends Thread {
private BlockingQueue<String> queue;
public CatchURL(BlockingQueue<String> queue){
this.queue = queue;
}
@Override
public void run() {
try {
choClass(ChoeseClass.url, ChoeseClass.chose);
} catch (IOException e) {
e.printStackTrace();
}
}
public void choClass(String url, String chose) throws IOException {
Document doc = null;
doc = Jsoup.connect(url).timeout(30000).get();
String classes = chose;
Elements el = doc.select(classes);
List<String> links = getPageLinks(el.toString());
List<String> tempLinks = new ArrayList<>();
for (String string : links) {
if(!tempLinks.contains(string)) {
tempLinks.add(string);
}
}
// 对url的一些组装
for (String string : tempLinks) {
if (!(string.equals("#"))) {
if (!string.startsWith("http://")) {
if (string.startsWith("/")) {
string = assemblyUrl(url) + string;
} else {
if (string.startsWith("../")) {// 如果是这种开头，则对应的上级目录加这个../后的目录
string = string.replace("../", "");
string = url.substring(0,
url.substring(0, url.lastIndexOf("/"))
.lastIndexOf("/") + 1)
+ string;
} else {
string = url.substring(0, url.lastIndexOf("/") + 1)
+ string;
}
}
}
if (!string.contains(url)) {
this.queue.add(string);
System.out.println("添加："+Thread.currentThread().getName() + " " + string);
int i = ContainChar.ContainCharByStr(string);
if (i == 7) {
choClass(string, ".countytable");
}
if (i == 8) {
choClass(string, ".towntable");
}
if (i == 9) {
choClass(string, ".towntable");
}
}
}
}
}
protected static List<String> getPageLinks(String html) {
Parser parser = null;
NodeList nodeList = null;
NodeFilter filter = null;
List<String> urlList = new ArrayList<String>();
try {
// 创建指定编码的Parser对象
parser = Parser.createParser(html, "GB18030");
// 创建一个接受标签A的过滤器
filter = new TagNameFilter("A");
// 过滤节点内容
nodeList = parser.extractAllNodesThatMatch(filter);
int size = nodeList.size();
for (int i = 0; i < size; i++) {
LinkTag tag = (LinkTag) nodeList.elementAt(i);
// System.out.println(tag.getLink());
urlList.add(tag.getLink());
}
} catch (ParserException e) {
e.printStackTrace();
}
return urlList;
}
/**
* 组装url
*
* @param url
*/
public static String assemblyUrl(String url) {
if (url.startsWith("http://")) {
String newUrl = url.substring(0, url.indexOf("/", 8));
return newUrl;
}
return url;
}
}
下面部份则是批量解析的代码，没时间注释
public class MainAction {
public static void main(String[] args) throws IOException {
File dir = new File("G:\test\local\www.stats.gov.cn");
File [] files = readFiles(dir);
for (File file : files) {
startAction(file);
}
}
public static void startAction(File file) throws IOException{
FileReader fr = null;
StringBuffer sb = new StringBuffer();
try {
fr = new FileReader(file);
char[] buf = new char[1024];
int len = 0;
while ((len = fr.read(buf)) != -1) {
sb.append(new String(buf, 0, len));
}
} catch (FileNotFoundException e1) {
e1.printStackTrace();
} finally {
fr.close();
}
int fileName = file.getName().length();
String fileNametemp [] = file.getName().split("\.");
String anaylisisHtml = null;
String type = null;
if(fileName == 9){
anaylisisHtml = anayli(sb.toString(), ".countytable");
type=".countytable";
}else if(fileName == 11) {
anaylisisHtml = anayli(sb.toString(), ".towntable");
type=".towntable";
}else if(fileName == 14){
anaylisisHtml = anayli(sb.toString(), ".villagetr");
type=".villagetr";
}
List<String> list = getPageLinks(anaylisisHtml,type);
List<ParamModel> models = new ArrayList<>();
if(type.equals(".villagetr")){
for (int i = 0; i < list.size(); i = i + 3) {
System.out.println(fileNametemp[0]+" "+ list.get(i) + " " + list.get(i+2));
ParamModel model = new ParamModel();
model.setFileName(fileNametemp[0]);
model.setObj1(list.get(i));
model.setObj2(list.get(i+2));
models.add(model);
}
try {
//DateUtil.save(models);
} catch (Exception e) {
e.printStackTrace();
}
}else{
for (int i = 0; i < list.size(); i = i+2) {
System.out.println(fileNametemp[0]+" "+ list.get(i) + " " + list.get(i+1));
ParamModel model = new ParamModel();
model.setFileName(fileNametemp[0]);
model.setObj1(list.get(i));
model.setObj2(list.get(i+1));
models.add(model);
}
try {
//DateUtil.save(models);
} catch (Exception e) {
e.printStackTrace();
}
}
}
/**
* 得到文件夹下的所有文件
* @param dir
*/
public static File [] readFiles(File dir){
File [] files = dir.listFiles();
return files;
}
/**
* 进行class过滤，返回过滤后的class内的所有html元素
* @param html
* @param choClass
* @return
*/
public static String anayli(String html,String choClass){
Document doc = Jsoup.parse(html);
Elements el = doc.select(choClass);
return el.toString();
}
protected static List<String> getPageLinks(String html,String type) {
Parser parser = null;
NodeList nodeList = null;
NodeFilter filter = null;
List<String> urlList = new ArrayList<String>();
try {
// 创建指定编码的Parser对象
parser = Parser.createParser(html, "GB18030");
// 创建一个接受标签A的过滤器
if(type.equals(".villagetr")){
filter = new TagNameFilter("td");
}else {
filter = new TagNameFilter("A");
}
// 过滤节点内容
nodeList = parser.extractAllNodesThatMatch(filter);
int size = nodeList.size();
for (int i = 0; i < size; i++) {
if(type.equals(".villagetr")){
Tag tag = (Tag) nodeList.elementAt(i);
//String temStr = tag.getFirstChild().toHtml();
urlList.add(tag.getFirstChild().toHtml());
}else{
LinkTag tag = (LinkTag) nodeList.elementAt(i);
//System.out.println(tag.getLink());
//System.out.println(tag.getChildrenHTML());
urlList.add(tag.getChildrenHTML());
}
}
} catch (ParserException e) {
e.printStackTrace();
}
return urlList;
}
}