您的位置 首页 java

Java网络编程之爬虫——计算机网络、应用层协议的综合应用

智云科技发布于 2023年6月2日评论关闭阅读(99)

前言：
前几天在B站上面，看到了一个使用C/C++实现的网络爬虫，我没有看视频，只是看了评论，这位up主应该就是只使用语言本身提供的包实现的爬虫。但是，我对这种方式很有兴趣，所以我就来实现一个Java版本的，正好也是综合运用自己学习的知识。

具体效果：

注意：爬取过程中，出现了几个time out，但是也不影响整个爬虫的工作（出现异常的图片，可能会损坏，但是几百张失败一两次还是可以接受的），所以这里也就不处理它了，我测试了一下，把超时时间调高一点，并且当前网络通畅的话，也就不会遇到这个问题了。

给爷爬

这里给它取一个有趣的名字吧—— 给爷爬 。

这里我主要是想引入一个URL队列的概念，它的工作模式如下：
1.初始添加一个种子URL入队列。
2.从URL队列中取出一个URL，进行处理，将获取到新的URL加入队列（如果有新的URL的话）。
3.重复步骤2，直到队列为空。

通常，我们刚学习爬虫（现在，我也没有学习多久，哈哈。），只是一股脑的爬，比如按照页码来一个一个的爬取，先遇到的先爬取，这里其实都是有一个队列的思想的（先进先出 FIFO）。


所以，这里我分了几个模块来处理，下面就来依次介绍这几个部分。

Request类

一个简单的实体类，实现url和name属性的封装。 

 package dragon;

public class Request {

private String url;   // url
private String name;  // name


public Request(String url, String name) {
super();
this.url = url;
this.name = name;

}

public String getName() {
return name;
}
public void setName(String name) {
this.name = name;
}
public String getUrl() {
return url;
}
public void setUrl(String url) {
this.url = url;
}

@Override
public String toString() {
return "Picture [name=" + name + ", url=" + url + "]";
}
}

12345678910111213141516171819202122232425262728293031323334

MessageUtil类

因为是使用语言本身提供的Socket来处理的，没有引入更高级的类库，所以处理起来相对麻烦一下。比如，需要自己 手工构造HTTP请求报文、手工HTTP解析 响应 报文 。不过，这里的请求报文，它的结构很简单，这个网站也没有什么反爬机制，用来练手很合适。 

 package dragon;

import java.nio.charset.StandardCharsets;

/**
 * 构造一个适当的请求报文
 * */public class MessageUtil {

private final static String UA = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
+ "Chrome/86.0.4240.80 Safari/537.36 Edg/86.0.622.48";
private final static char CR = '\r';
private final static char LF = '\n';
private final static char BLANK = ' ';

public static byte[] getRequestMsg(String path, String host, String referer) {
StringBuilder msgBuilder = new StringBuilder();
msgBuilder.append("GET").append(BLANK).append(path).append(BLANK).append("HTTP/1.0").append(CR).append(LF)
          .append("User-Agent:").append(BLANK).append(UA).append(CR).append(LF)
  .append("Host:").append(BLANK).append(host).append(CR).append(LF)
  .append("Upgrade-Insecure-Requests:").append(BLANK).append(1).append(CR).append(LF)
  .append("Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9").append("\r\n")
  .append(CR).append(LF);

String msg = msgBuilder.toString();
return msg.getBytes(StandardCharsets.UTF_8);
}
}

1234567891011121314151617181920212223242526272829

PageDownloader类

使用套接字发送请求报文，接收响应报文。因为HTTP是建立在TCP之上的，所以请求报文和响应报文，也就是对应了套接字的OutputStream和InputStream了。但是，要注意这里使用的不是Socket，而是SSLSocket。因为，这个图片网站使用的是https协议，如果使用Socket的话，是无法建立连接的。这里，只要这样使用就行了，关于SSLSocket的详细情况，我也不是太了解。因为平时处理网络，都是使用高级api，它们会屏蔽这些细节的。
这里需要了解HTTP和HTTPS的区别，SSLSocket就是安全层套接字。
HTTP：Hyper Text Transport Protocol
HTTPS：Hyper Text Transport Protocol Over SecureSocket Layer

这个类的作用是下载html文件，它首先发送一个请求报文，然后接收响应报文。但是响应报文，是含有首部的，尽管我们平时是看不见的，所以这里返回的不只是html文件本身了，因此这里你需要了解一下HTTP报文的结构。

所以我这里定义了一个方法：readMsgHeader()，直接读取首部并简单丢弃，不做处理。 

 package dragon;

import java.io.BufferedInputStream;
import java.io.BufferedOutputStream;
import java.io.ByteArrayOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
import java.net.MalformedURLException;
import java.net.URL;

import javax.net.ssl.SSLSocket;
import javax.net.ssl.SSLSocketFactory;
/**
 * 下载页面
 * */public class PageDownloader {

private static SSLSocketFactory factory = (SSLSocketFactory) SSLSocketFactory.getDefault();// 利用工厂来创建SSLSocket安全套接字
private final static int TIMEOUT = 10*1000;

public String getHtml(String link, String cs) {
URL url = null;
try {
url = new URL(link);
} catch (MalformedURLException e1) {
e1.printStackTrace();
}

String host = url.getHost();            // 获取主机 Host
int port = url.getPort() != -1 ? url.getPort() : 443;  // 获取端口号
String path = url.getPath(); // 请求路径

try (SSLSocket socket = (SSLSocket) factory.createSocket(host, port)) {
socket.setSoTimeout(TIMEOUT);   // 设置超时时间

// 启用所有密码组
String[] supported = socket.getSupportedCipherSuites();
socket.setEnabledCipherSuites(supported);

// 获取输出流和输入流
OutputStream output = new BufferedOutputStream(socket.getOutputStream());
InputStream input = new BufferedInputStream(socket.getInputStream());
// 使用输出流发送请求数据
byte[] requestMsg = MessageUtil.getRequestMsg(path, host, link);
output.write(requestMsg);
output.flush();  // 刷新输出流，不然未发送请求，导致无法接收到响应

// 过滤报文首部数据
try {
readMsgHeader(input);
} catch (Exception e) {
e.printStackTrace();
System.out.println("连接发生异常，退出当前连接下载！");
return null;
}

try (ByteArrayOutputStream out = new ByteArrayOutputStream()) {
int len = 0;
byte[] b = new byte[2048];
        while ((len = input.read(b)) != -1) {
        out.write(b, 0, len);
            }
        return out.toString(cs);
}
} catch (IOException e) {
e.printStackTrace();
}
return null;
}

/**
 * 读取报文头部，但是不做处理，只是简单的过滤头部的信息
 * @throws Exception 
 * */private void readMsgHeader(InputStream in) throws Exception {
StringBuilder sb = new StringBuilder();
while (true) {
int c = in.read();
if (c != -1) {
if (c != '\n') {
sb.append((char)c);
} else {
int len = sb.length();
if (len == 1) {
break; // 读取到最后一行 \r\n，退出循环。
} else {
sb.delete(0, len);
}
}
} else {
throw new Exception("连接发生异常！");
}
}
}
}
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596

UrlDownloader类

用于下载图片的类，它的功能和前面的PageDownloader类基本相似，但是它是将获取的图片数据持久化到本地。 

 package dragon;

import java.io.BufferedInputStream;
import java.io.BufferedOutputStream;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
import java.net.MalformedURLException;
import java.net.URL;
import java.net.UnknownHostException;

import javax.net.ssl.SSLSocket;
import javax.net.ssl.SSLSocketFactory;

public class UrlDownloader implements Runnable {
private static SSLSocketFactory factory = (SSLSocketFactory) SSLSocketFactory.getDefault();// 利用工厂来创建SSLSocket安全套接字
private final static int TIMEOUT = 10*1000;
private Request request;
private String filePath;

public UrlDownloader(Request request, String filePath) {
this.request = request;
this.filePath = filePath;
}

@Override
public void run() {
String link = request.getUrl();
URL url = null;
try {
url = new URL(link);
} catch (MalformedURLException e1) {
e1.printStackTrace();
}

String host = url.getHost();            // 获取主机 Host
int port = url.getPort() != -1 ? url.getPort() : 443;  // 获取端口号
String path = url.getPath(); // 请求路径

try (SSLSocket socket = (SSLSocket) factory.createSocket(host, port)) {
socket.setSoTimeout(TIMEOUT);   // 设置超时时间

// 启用所有密码组
String[] supported = socket.getSupportedCipherSuites();
socket.setEnabledCipherSuites(supported);

// 获取输出流和输入流
OutputStream output = new BufferedOutputStream(socket.getOutputStream());
InputStream input = new BufferedInputStream(socket.getInputStream());
// 使用输出流发送请求数据
byte[] requestMsg = MessageUtil.getRequestMsg(path, host, "#34;);
output.write(requestMsg);
output.flush();  // 刷新输出流，不然未发送请求，导致无法接收到响应

// 过滤报文首部数据
try {
readMsgHeader(input);
} catch (Exception e) {
e.printStackTrace();
System.out.println("连接发生异常，退出当前连接下载！");
return ;
}
// 读取响应报文数据部，即图片本身的二进制数据
try (OutputStream outputFile = new BufferedOutputStream(
new FileOutputStream(new File(filePath, request.getName())))) {
int len = 0;
byte[] b = new byte[2048];
        while ((len = input.read(b)) != -1) {
        outputFile.write(b, 0, len);
            }
}
} catch (UnknownHostException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
System.out.println("资源：" + link + " 抓取完成！");
}

/**
 * 读取报文头部，但是不做处理，只是简单的过滤头部的信息
 * @throws Exception 
 * */private void readMsgHeader(InputStream in) throws Exception {
StringBuilder sb = new StringBuilder();
while (true) {
int c = in.read();
if (c != -1) {
if (c != '\n') {
sb.append((char)c);
} else {
int len = sb.length();
if (len == 1) {
break; // 读取到最后一行 \r\n，退出循环。
} else {
sb.delete(0, len);
}
}
} else {
throw new Exception("连接发生异常！");
}
}
}

}

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108

DataCrawler类

整个给爷爬的主要逻辑都在这个类里面了。这部分，就是关于网页结构的知识了。

爬虫的轨迹是如下的： 首先从根路径开始，获取根路径所在html页面的所有标题页（只获取第一页的所有标题页用于演示），然后对于每一个标题页提取所有的图片链接信息，最后依次下载每一条链接，总体上逻辑还是很简单的。 

 package dragon;

import java.util.LinkedList;
import java.util.Queue;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

/**
 * 准备不使用外部依赖，仅仅依靠语言本身的功能完成一个简单的数据采集任务。
 * 用来检验自己这段时间的网络学习的成果，并加深对于 网络、协议、web的理解。
 * */public class DataCrawler {

// 用于存储待抓取数据url的队列
private static Queue<Request> queue = new LinkedList<>();
private static String filePath = "D:/DBC/Test";

public static void main(String[] args) {
System.out.println("启动 --> 给爷爬！");
// 添加一个根路径，然后开始url调度
queue.offer(new Request("#34;, "qingchun"));

// 下载对应的html页面
PageDownloader pageDownloader = new PageDownloader();
String html = null;

// 创建一个线程池
ExecutorService pool = Executors.newFixedThreadPool(2);  // 没有使用代理ip，而且只是验证，慢慢爬也无所谓了

while(!queue.isEmpty()) {
Request request = queue.poll();
String url = request.getUrl();
System.out.println("开始处理url：" + url + " --> " + request.getName());
if (url.contains("category")) {  // 这个url是爬虫的起点
html = pageDownloader.getHtml(url, "UTF-8");
resolveRoot(html);
} else if (url.contains("detail")) {  // 对应标题页的url
html = pageDownloader.getHtml(url, "UTF-8");
resolveChild(html);
} else {  // 图片对应的url
pool.submit(new UrlDownloader(request, filePath));
}
}
pool.shutdown();

// 采用轮询方式，当爬虫结束时打印该语句
while (true) {
if (pool.isTerminated()) {
System.out.println("结束 --> 给爷爬");
break;  
}
}
}

public static void resolveRoot(String html) {
html = html.replace(' ', '_');   // 由于标题字符串中含有空格，所以先替换掉空格，再匹配
String regex = "/detail/\\d{4}";                     // 匹配URL
String regex1 = "/(\\S+|\\s*|\\S+)-thumbnail.jpg";   // 匹配对应的标题
Pattern urlPattern = Pattern.compile(regex);
Pattern titlePattern = Pattern.compile(regex1);
Matcher urlMatcher = urlPattern.matcher(html);
Matcher titleMatcher = titlePattern.matcher(html);
while(urlMatcher.find() && titleMatcher.find()) {
String url = urlMatcher.group();
String title = titleMatcher.group();
queue.offer(new Request("#34; + url, title));   // 添加新的request对象进入队列，等待处理
}
}

public static void resolveChild(String html) {
html = html.replace(' ', '_');   // 由于标题字符串中含有空格，所以先替换掉空格，再匹配

String regex = "/(\\S+)/\\d{2}[a-z]\\d{2}.jpg";                     // 匹配URL
Pattern pattern = Pattern.compile(regex);
Matcher matcher = pattern.matcher(html);
while(matcher.find()) {
String url = matcher.group();
String title = url.substring(url.lastIndexOf("/")+1);
url = url.replace('_', ' ');  // 这里需要注意，有的路径含有空格，我将其替换了，现在再替换回去
queue.offer(new Request("#34; + url, title));   // 添加新的request对象进入队列，等待处理
}
}

}
1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677787980818283848586

总结

这里使用 Java网络编程+计算机网络 的知识，而且是从一个底层开始处理（相对于应用层的底层，不是计算机网络的底层），具有很好的学习价值。特别是刚刚接触计算机网络的人，可以给人一种很直观感受，而不只是单纯书本上面的概念，并且学以致用，也是一种比较有效的学习方式。

最后多说一句，小编是一名python开发工程师，这里有我自己整理了一套最新的python系统学习教程，包括从基础的python脚本到web开发、爬虫、数据分析、数据可视化、机器学习等。想要这些资料的可以关注小编，并私信“学习”即可领取。

标签:
打赏 点赞(2)

文章来源：智云一二三科技

文章标题：Java网络编程之爬虫——计算机网络、应用层协议的综合应用

文章地址：https://www.zhihuclub.com/182184.shtml

关于作者: 智云科技

相关文章

热门文章

1分享新浪图床上传接口源码

点赞(872)阅读(58,448)

2PHP简单实现路由Route功能

点赞(1.09K)阅读(35,906)

3Tideways、xhprof 和 xhgui 打造 PHP 非侵入式监控平台

点赞(296)阅读(4,250)

4centos系统如何查看是否安装了mysql

点赞(473)阅读(3,723)

5curl 工具简述

点赞(445)阅读(2,944)
网站地图