学步园

对一些访问受限的网站进行爬取（例如需要登录、切换代理），往往需要进行自定义http请求。

BreadthCrawler默认使用JDK自带的HttpUrlConnection进行http请求，下面示例通过自定义http请求，使用httpclient 4.x进行http请求。（需要导入httpclient 4.x所需jar包，或添加httpclient 4.x的maven dependency).

import cn.edu.hfut.dmic.webcollector.crawler.BreadthCrawler;
import cn.edu.hfut.dmic.webcollector.fetcher.Fetcher;
import cn.edu.hfut.dmic.webcollector.model.CrawlDatum;
import cn.edu.hfut.dmic.webcollector.model.Page;
import cn.edu.hfut.dmic.webcollector.net.HttpResponse;
import cn.edu.hfut.dmic.webcollector.net.Request;
import cn.edu.hfut.dmic.webcollector.net.Response;
import cn.edu.hfut.dmic.webcollector.parser.ParseData;
import cn.edu.hfut.dmic.webcollector.parser.ParseResult;
import cn.edu.hfut.dmic.webcollector.parser.Parser;

import java.net.URL;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

import org.apache.http.Header;
import org.apache.http.HttpEntity;
import org.apache.http.client.HttpClient;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.DefaultHttpClient;
import org.apache.http.util.EntityUtils;
import org.jsoup.nodes.Document;

/**
 * 利用WebCollector进行二次开发，定义自己的爬虫
 *
 * @author hu
 */
public class Demo {

    /**
     * 自定义Http请求
     *
     */
    public static class MyRequest implements Request {

        URL _URL;

        @Override
        public URL getURL() {
            return _URL;
        }

        @Override
        public void setURL(URL url) {
            this._URL = url;
        }

        /**
         * 这里采用httpclient来取代原来的方法，获取http相应，需要导入httpclient4.x的相关jar包
         */
        @Override
        public Response getResponse(CrawlDatum datum) throws Exception {
            /*HttpResponse是一个实现Response的类*/
            HttpResponse response = new HttpResponse(_URL);

            /*通过httpclient来获取http请求的响应信息*/
            HttpClient client = new DefaultHttpClient();
            HttpGet httpGet = new HttpGet(getURL().toString());
            /*这里用的是httpclient的HttpResponse，与WebCollector中的HttpResponse无关*/
            org.apache.http.HttpResponse httpClientResponse = client.execute(httpGet);
            HttpEntity entity = httpClientResponse.getEntity();

            /*
             将httpclient获取的http响应头信息放入Response
             Response接口中要求http头是Map<String,List<String>>类型，所以需要做个转换
             */
            Map<String, List<String>> headers = new HashMap<String, List<String>>();
            for (Header header : httpClientResponse.getAllHeaders()) {
                List<String> values = new ArrayList<String>();
                values.add(header.getValue());
                headers.put(header.getName(), values);
            }
            response.setHeaders(headers);

            /*设置http响应码，必须设置http响应码，否则会影响抓取器对抓取状态的判断*/
            response.setCode(httpClientResponse.getStatusLine().getStatusCode());

            /*设置http响应内容，为网页(文件)的byte数组*/
            response.setContent(EntityUtils.toByteArray(entity));

            /*
             这里返回的是HttpResponse类型，它的getContentType()方法会自动从getHeader()方法中
             获取网页响应的content-type,如果自定义Response，一定要实现getContentType()方法，因
             为网页解析器的生成需要依赖content-type
             */
            return response;
        }

    }

    /**
     * 自定义一个广度遍历器
     */
    public static class MyCrawler extends BreadthCrawler {

        /**
         * 覆盖Fetcher类的createRequest方法，可以自定义http请求
         * 一般需要自定义一个实现Request接口的类（这里是MyRequest)
         */
        @Override
        public Request createRequest(String url) throws Exception {
            MyRequest request = new MyRequest();
            request.setURL(new URL(url));
            return request;
        }

        /**
         * 这里可以根据http响应的url和contentType来生成网页解析器 contentType可以用来区分相应是网页、图片还是文件
         * 这里直接用父类的方法，可以参照父类的方法，来自己生成需要的网页解析器
         */
        @Override
        public Parser createParser(String url, String contentType) throws Exception {
            return super.createParser(url, contentType);
        }

        /**
         * 定义爬取成功时对页面的操作
         *
         * @param page
         */
        @Override
        public void visit(Page page) {

            System.out.println("---------------------------");

            /*Document是Jsoup的DOM树对象，做网页信息抽取需要依赖Document对象*/
            Document doc = page.getDoc();
            String title = doc.title();
            System.out.println("网页URL:" + page.getUrl());
            System.out.println("网页标题:" + title);

            /*parseResult是在爬取过程中解析的一些简单网页信息*/
            ParseResult parseResult = page.getParseResult();

            /*parseData包括网页的标题、链接以及一些其他信息*/
            ParseData parseData = parseResult.getParsedata();

            if (parseData.getLinks() != null) {
                System.out.println("网页链接数:" + parseData.getLinks().size());
            }

        }

    }

    public static void main(String[] args) throws Exception {
        /*crawlPath是爬取信息存储的文件夹*/
        String crawlPath = "/home/hu/data/crawl_hfut1";
        MyCrawler crawler = new MyCrawler();
        crawler.setCrawlPath(crawlPath);

        crawler.addSeed("http://news.hfut.edu.cn/");
        crawler.addRegex("http://news.hfut.edu.cn/.*");

        /*禁止爬取带井号的url*/
        crawler.addRegex("-.*#.*");

        /*禁止爬取图片*/
        crawler.addRegex("-.*png.*");
        crawler.addRegex("-.*jpg.*");
        crawler.addRegex("-.*gif.*");
        crawler.addRegex("-.*js.*");
        crawler.addRegex("-.*css.*");

        /*设置线程数*/
        crawler.setThreads(30);

        /*设置为可断点爬取模式*/
        crawler.setResumable(true);

        /*进行深度为3的广度遍历*/
        crawler.start(3);
    }

}