之前有看过一段时间爬虫，了解了爬虫的原理，以及一些实现的方法，本项目完成于半年前，一直放在那里，现在和大家分享出来。
网络爬虫简单的原理就是把程序想象成为一个小虫子，一旦进去了一个大门，这个小虫子就像进入了新世界一样，只要符合他的口味的东西就会放在自己的袋子里，但是他还不满足，只要见到可以打开的门，他都要进去看看，里面有没有他想要的东西有就装起来，直到每个门里都看了一遍，确定没有了之后，他才肯放弃，这样下来，他的袋子已经装满了想要的东西。
上述内容表述起来就是：网络爬虫就是一个自动提取网页内容的程序，这个程序的行为像一个虫子似的，爬来爬去。一般的网络爬虫都有一个或者多个网页的url作为开始，从开始的网页上获取url，并把符合条件的内容保存下来，这样一直进行下去，直到条件不符合的时候，程序执行结束。
以下只是简单的一个爬虫，爬取一个下载网站上的迅雷下载链接，用到了两个辅助队列，一个存链接作为判断当前链接是否已经打开过，另一个是进行操作的队列，存进去的链接都会进行操作。最后获取到的下载链接存在set集合中，以保证链接不会重复。
-------------------------------以下是一个分析源码的过程，后期发现这个编码没有用上---------------------------------------------------------------------
由于在网页上显示的只是一串文字，当用户点击后，他的链接会经过url编码，编码成迅雷能够识别的链接，网站上使用的是javascript的url编码，java自带了一个url编码，和网站上的不一致，我们需要java的url编码的源码，通过分析源码其实很难简单地发现对什么字符编码，对什么不进行编码，和javascript的url编码比较之后，对其进行改造，经过比对，发现java的编码，对'@','[',']',':','/'不处理，只需要增加他们进去就行
static {
dontNeedEncoding = new BitSet(256);
int i;
for (i = 'a'; i <= 'z'; i++) {
dontNeedEncoding.set(i);
}
for (i = 'A'; i <= 'Z'; i++) {
dontNeedEncoding.set(i);
}
for (i = '0'; i <= '9'; i++) {
dontNeedEncoding.set(i);
}
dontNeedEncoding.set(' '); /* encoding a space to a + is done
* in the encode() method */
dontNeedEncoding.set('-');
dontNeedEncoding.set('_');
dontNeedEncoding.set('.');
dontNeedEncoding.set('*');
dfltEncName = AccessController.doPrivileged(
new GetPropertyAction("file.encoding")
);
}
改造后的url编码类，去掉了没有用的语句，增加对对'@','[',']',':','/'特殊字符的编码
package url; import java.io.UnsupportedEncodingException;
import java.io.CharArrayWriter;
import java.net.URLEncoder;
import java.nio.charset.Charset;
import java.nio.charset.IllegalCharsetNameException;
import java.nio.charset.UnsupportedCharsetException;
import java.util.BitSet; public class URLEncoders {
static BitSet dontNeedEncoding;
static final int caseDiff = ('a' - 'A');
static String dfltEncName = null; static {
dontNeedEncoding = new BitSet(256);
int i;
for (i = 'a'; i <= 'z'; i++) {
dontNeedEncoding.set(i);
}
for (i = 'A'; i <= 'Z'; i++) {
dontNeedEncoding.set(i);
}
for (i = '0'; i <= '9'; i++) {
dontNeedEncoding.set(i);
}
dontNeedEncoding.set(' '); /*
* encoding a space to a + is done in the
* encode() method
*/
dontNeedEncoding.set('-');
dontNeedEncoding.set('_');
dontNeedEncoding.set('.');
dontNeedEncoding.set('*');
dontNeedEncoding.set('@');
dontNeedEncoding.set('[');
dontNeedEncoding.set(']');
dontNeedEncoding.set(':');
dontNeedEncoding.set('/'); } @Deprecated
public static String encode(String s) { String str = null; try {
str = encode(s, dfltEncName);
} catch (UnsupportedEncodingException e) {
} return str;
} public static String encode(String s, String enc)
throws UnsupportedEncodingException { boolean needToChange = false;
StringBuffer out = new StringBuffer(s.length());
Charset charset;
CharArrayWriter charArrayWriter = new CharArrayWriter(); if (enc == null)
throw new NullPointerException("charsetName"); try {
charset = Charset.forName(enc);
} catch (IllegalCharsetNameException e) {
throw new UnsupportedEncodingException(enc);
} catch (UnsupportedCharsetException e) {
throw new UnsupportedEncodingException(enc);
} for (int i = 0; i < s.length();) {
int c = (int) s.charAt(i);
if (dontNeedEncoding.get(c)) {
if (c == ' ') {
c = '+';
needToChange = true;
}
out.append((char) c);
i++;
} else {
do {
charArrayWriter.write(c); if (c >= 0xD800 && c <= 0xDBFF) { if ((i + 1) < s.length()) {
int d = (int) s.charAt(i + 1);
if (d >= 0xDC00 && d <= 0xDFFF) {
charArrayWriter.write(d);
i++;
}
}
}
i++;
} while (i < s.length()
&& !dontNeedEncoding.get((c = (int) s.charAt(i)))); charArrayWriter.flush();
String str = new String(charArrayWriter.toCharArray());
byte[] ba = str.getBytes(charset);
for (int j = 0; j < ba.length; j++) {
out.append('%');
char ch = Character.forDigit((ba[j] >> 4) & 0xF, 16);
if (Character.isLetter(ch)) {
ch -= caseDiff;
}
out.append(ch);
ch = Character.forDigit(ba[j] & 0xF, 16);
if (Character.isLetter(ch)) {
ch -= caseDiff;
}
out.append(ch);
}
charArrayWriter.reset();
needToChange = true;
}
} return (needToChange ? out.toString() : s);
}
}
所以当我研究好了以上的编码之后才发现，迅雷会识别未经过编码的链接，三种链接迅雷都可以下载，如下图：
所以以上就当是提高了一下分析源码的能力……
爬虫代码并没有做任何的优化，可以说效率非常低，程序用到了递归，并且在程序运行的过程中打开的链接会形成一个环形，也就是打开一个链接，之后程序执行的过程中会再次找到这个链接，所以这条路线就断了。
程序在执行过程中，如果当前访问的网址时间过长，会抛出异常，也会影响效率。
从运行时间和有效链接可以看出效率很低
其实爬虫的代码很简单，从网页获取代码，对其进行解析这么一个过程
主程序：并没有调用其他的方法，那个编码类也没有用上
package function; import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import queue.Queue; import java.io.IOException;
import java.util.HashSet;
import java.util.Iterator;
import java.util.Set;
import java.util.TreeSet;
import java.util.regex.Pattern; public class Crawler {
public static Queue q1 = new Queue();
public static Queue q2 = new Queue();
public static Set<String> set = new TreeSet<String>();
public static int i = 0; public static void main(String[] args) {
Document doc = null;
try {
long begin = System.currentTimeMillis();
doc = Jsoup.connect("http://www.dytt8.net/index.htm").get();
Elements links = doc.select("a[href]");
for (Element link : links) {
String linkHref = link.attr("href");
Pattern pattern = Pattern.compile("^/html/+(.)+.html");
Pattern pattern0 = Pattern
.compile("http://www.dytt8.net/html/+(.)+.html");
Pattern pattern1 = Pattern.compile("^ftp://+((.)+)+");
if (pattern.matcher(linkHref).matches() == true
|| pattern0.matcher(linkHref).matches() == true) {
q1.insertQueue(linkHref);
q2.insertQueue(linkHref);
open("http://www.dytt8.net" + q1.outQueue());
}
}
Iterator<String> it = set.iterator();
// while(it.hasNext()){
// String url=(String)it.next();
// int last=url.lastIndexOf(".");
// int last1=url.lastIndexOf("]");
// // System.out.print(url.substring(last1+1, last)+" ");
// System.out.println(URLEncoders.encode(url,"utf-8"));
// }
System.out.println("一共爬取" + q2.size() + "条链接");
long end = System.currentTimeMillis();
System.out.println("用时" + (end - begin) + "ms");
System.out.println("一共" + set.size() + "条下载链接");
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
} public static void open(String url) {
Document doc = null;
try {
doc = Jsoup.connect(url).get();
Elements links = doc.select("a[href]");
for (Element link : links) {
String linkHref = link.attr("href");
Pattern pattern = Pattern.compile("^/html/+(.)+.html");
Pattern pattern0 = Pattern
.compile("http://www.dytt8.net/html/+(.)+.html");
Pattern pattern1 = Pattern.compile("^ftp://+((.)+)+");
if (pattern.matcher(linkHref).matches() == true
|| pattern0.matcher(linkHref).matches() == true) {
q1.insertQueue(linkHref);
q2.insertQueue(linkHref);
if (q2.contains(linkHref) == false) {
open("http://www.dytt8.net" + q1.outQueue());
}
} else if (pattern1.matcher(linkHref).matches() == true) {
System.out.println(linkHref);
set.add(linkHref);
}
} } catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
}
试着弄了一下github，所以把这个非常不完美的项目放在了上面，就当练手，项目地址：https://github.com/Ai-yoo/Java_Applaction.git