Java Socket 爬虫
# 地址
https://github.com/mofadeyunduo/crawler
# 前言
1、代码不断优化更新。
2、有建议请留言。
# 介绍
1、多线程,基于 ExcutorServcie。
2、使用 Socket 进行 HTTP 请求。
# 优化想法
1、线程复用,不为每一个网页单独创建一个线程,每个 Crawler 负责多个网页的爬取。
2、多个网页进行一次读写,减少 IO 时间(待实现)。
3、多代理,防止请求过多,服务器拒绝响应(待实现)。
# 代码
SocketCrawler.java:负责爬取网页。
package per.piers.crawler.service; import org.apache.logging.log4j.LogManager;
import org.apache.logging.log4j.Logger;
import org.w3c.dom.Document;
import org.w3c.dom.NamedNodeMap;
import org.w3c.dom.NodeList;
import org.xml.sax.SAXException;
import per.piers.crawler.model.HTTPStatus; import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;
import javax.xml.parsers.ParserConfigurationException;
import java.io.*;
import java.net.Socket;
import java.util.*;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.TimeUnit;
import java.util.regex.Matcher;
import java.util.regex.Pattern; /**
* Created by Piers on 2017/4/15.
*/
public class SocketCrawler implements Runnable { private Task task;
private static Logger logger = LogManager.getLogger(SocketCrawler.class.getName());
private Map<String, String> headers = new LinkedHashMap<>();
private LinkedList<String> websites;
private String charset = "utf-8";
private ExecutorService executorService;
private String outputPath; public SocketCrawler(LinkedList<String> websites, String outputPath, ExecutorService executorService, Task task) {
this(websites, outputPath, null, null, executorService, task);
} public SocketCrawler(LinkedList<String> websites, String outputPath, String charset, ExecutorService executorService, Task task) {
this(websites, outputPath, charset, null, executorService, task);
} public SocketCrawler(LinkedList<String> websites, String outputPath, String charset, Map<String, String> headers, ExecutorService executorService, Task task) {
if (websites != null) {
this.websites = websites;
} else {
throw new NullPointerException("websites is null");
}
if (executorService != null) {
this.executorService = executorService;
} else {
throw new NullPointerException("executorService is null");
}
if (outputPath != null) {
this.outputPath = outputPath;
new File(outputPath).mkdirs();
} else {
throw new NullPointerException("outputPath is null");
}
if (task != null) {
this.task = task;
} else {
throw new NullPointerException("task is null");
}
if (charset != null) this.charset = charset;
logger.debug("Charset: {}", this.charset);
if (headers != null) this.headers.putAll(headers);
try {
DocumentBuilderFactory documentBuilderFactory = DocumentBuilderFactory.newInstance();
DocumentBuilder documentBuilder = documentBuilderFactory.newDocumentBuilder();
Document document = documentBuilder.parse(new File("target/classes/defaultHeaders.xml"));
NodeList nodeList = document.getElementsByTagName("header");
for (int i = 0; i < nodeList.getLength(); i++) {
NamedNodeMap map = nodeList.item(i).getAttributes();
this.headers.put(map.getNamedItem("key").getNodeValue(), map.getNamedItem("value").getNodeValue());
}
} catch (ParserConfigurationException | IOException | SAXException e) {
e.printStackTrace();
}
} public String crawl(String website) throws IOException {
synchronized (task) {
task.addCount();
logger.info("Count: {}", task.getCount());
}
logger.traceEntry();
logger.info("Crawling: {}", website);
String[] resolves = resolveWebsite(website);
String host = resolves[0], request = resolves[1];
Socket socket = new Socket(host, 80);
setOutputStream(socket.getOutputStream(), host, request);
try {
try (BufferedReader reader = new BufferedReader(new InputStreamReader(socket.getInputStream(), charset))) {
String firstLine = reader.readLine();
HTTPStatus status = getStatus(firstLine);
if (status == null) {
String error = String.format("Unknown HTTP status: %s", website);
logger.error(error);
throw new IllegalStateException(error);
}
switch (status) {
case NOT_FOUND:
logger.warn("404: {}", website);
return null;
}
String line = null;
while ((line = reader.readLine()) != null && !line.equals("")) ;
StringBuilder builder = new StringBuilder();
while ((line = reader.readLine()) != null) {
builder.append(line + "\n");
}
logger.info("Crawled: {}", website);
return builder.toString();
}
} finally {
socket.close();
logger.traceExit();
}
} private String[] resolveWebsite(String website) {
Pattern pattern = Pattern.compile("http://(?<domain>[\\w.]+)(?<request>/.*)?", Pattern.CASE_INSENSITIVE);
Matcher matcher = pattern.matcher(website);
if (!matcher.find()) {
String error = String.format("Probably %s is not a valid website", website);
logger.error(error);
throw new InputMismatchException(error);
}
String host = matcher.group("domain");
String request = matcher.group("request");
if (request == null) request = "/";
logger.debug("Domain is {}", host);
logger.debug("Request is {}", request);
return new String[]{host, request};
} private void setOutputStream(OutputStream outputStream, String host, String request) throws IOException {
BufferedWriter writer = new BufferedWriter(new OutputStreamWriter(outputStream, charset));
String firstLine = String.format("GET %s HTTP/1.1", request);
logger.debug("HTTP request: {}", firstLine);
writer.write(firstLine);
writer.newLine();
String hostLine = String.format("Host: %s", host);
logger.debug("HTTP request: {}", hostLine);
writer.write(hostLine);
writer.newLine();
for (String key : headers.keySet()) {
String entity = String.format("%s:%s", key, headers.get(key));
logger.debug("HTTP request: {}", entity);
writer.write(entity);
writer.newLine();
}
writer.newLine();
writer.flush();
} private HTTPStatus getStatus(String firstLine) {
Matcher matcher = Pattern.compile("HTTP/\\d.\\d (?<HTTPStatus>\\d{3}) \\w+").matcher(firstLine);
if (matcher.find()) {
switch (Integer.parseInt(matcher.group("HTTPStatus"))) {
case 200:
return HTTPStatus.OK;
case 404:
return HTTPStatus.NOT_FOUND;
}
}
return null;
} @Override
public void run() {
// TODO: replace with handler
for (String website : websites) {
if (!executorService.isShutdown()) {
try {
String result = crawl(website);
if (result != null) {
File file = new File(outputPath + "/" + website.replace("http://", "").replaceAll("[/.]", "_"));
logger.info("Writing data to {}", file.getAbsolutePath());
if (!file.exists()) file.createNewFile();
try (BufferedWriter writer = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(file)))) {
writer.write(result);
writer.flush();
}
logger.info("Has write {}", file.getAbsolutePath());
}
TimeUnit.SECONDS.sleep(new Random().nextInt(task.getTHREAD_SIZE() * 2));
synchronized (task) {
if (task.getCount() == task.getTASK_SIZE()) {
executorService.shutdown();
}
}
} catch (IOException e) {
logger.error(e.getMessage());
e.printStackTrace();
} catch (InterruptedException e) {
// e.printStackTrace();
}
}
}
} }
log4j2.xml
<?xml version="1.0" encoding="UTF-8"?>
<!--Configuration后面的status,这个用于设置log4j2自身内部的信息输出,可以不设置,当设置成trace时,你会看到log4j2内部各种详细输出。-->
<!--monitorInterval:Log4j能够自动检测修改配置 文件和重新配置本身,设置间隔秒数。-->
<configuration status="error" monitorInterval="30">
<!--先定义所有的appender-->
<appenders>
<!--这个输出控制台的配置-->
<Console name="Console" target="SYSTEM_OUT">
<!--控制台只输出level及以上级别的信息(onMatch),其他的直接拒绝(onMismatch)-->
<ThresholdFilter level="debug" onMatch="ACCEPT" onMismatch="DENY"/>
<!--这个都知道是输出日志的格式-->
<PatternLayout pattern="%d{yyyy-MM-dd HH:mm:ss} [%-5level] %class %t %M - %msg%n"/>
</Console>
<!--文件会打印出所有信息,这个log每次运行程序会自动清空,由append属性决定,这个也挺有用的,适合临时测试用-->
<File name="log" fileName="log/test.log" append="false">
<PatternLayout pattern="%d{yyyy-MM-dd HH:mm:ss} [%-5level] %class %t %M - %msg%n"/>
</File>
<!-- 这个会打印出所有的信息,每次大小超过size,则这size大小的日志会自动存入按年份-月份建立的文件夹下面并进行压缩,作为存档-->
<RollingFile name="RollingFile" fileName="logs/app.log"
filePattern="log/%d{yyyy-MM}/app-%d{MM-dd-yyyy}-%i.log.gz">
<PatternLayout pattern="%d{yyyy-MM-dd HH:mm:ss} [%-5level] %class %t %M - %msg%n"/>
<SizeBasedTriggeringPolicy size="50MB"/>
<!-- DefaultRolloverStrategy属性如不设置,则默认为最多同一文件夹下7个文件,这里设置了20 -->
<DefaultRolloverStrategy max="20"/>
</RollingFile>
</appenders>
<!--然后定义logger,只有定义了logger并引入的appender,appender才会生效-->
<loggers>
<!--建立一个默认的root的logger-->
<root level="trace">
<appender-ref ref="RollingFile"/>
<appender-ref ref="Console"/>
</root>
</loggers>
</configuration>
defaultHeaders.xml
<?xml version="1.0" encoding="utf-8"?>
<headers>
<header key="User-Agent" value="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"></header>
</headers>
# 遇到的 bug
## 问题
返回的网页乱码,设定 UTF - 8 无用。
## 解决
一开始在 Header 里设置了 Accept-Encoding 属性。
<header key="Accept-Encoding" value="gzip, deflate, sdch, br"></header>
导致返回的是经过编码的网页。删去即可。
## 遇到的问题
HTTP 请求时,服务器不返回数据。
## 解决
在 HTTP 请求的输入流,outputStream 最后输出"\r\n",标明已经发送完毕。
Java Socket 爬虫的更多相关文章
- JAVA通信系列一:Java Socket技术总结
本文是学习java Socket整理的资料,供参考. 1 Socket通信原理 1.1 ISO七层模型 1.2 TCP/IP五层模型 应用层相当于OSI中的会话层,表示层, ...
- Java 网络爬虫获取网页源代码原理及实现
Java 网络爬虫获取网页源代码原理及实现 1.网络爬虫是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成.传统爬虫从一个或若干初始网页的URL开始,获得初始网页上的URL ...
- JAVA Socket 编程学习笔记(二)
在上一篇中,使用了 java Socket+Tcp/IP 协议来实现应用程序或客户端--服务器间的实时双向通信,本篇中,将使用 UDP 协议来实现 Socket 的通信. 1. 关于UDP UDP协 ...
- JAVA Socket 编程学习笔记(一)
1. Socket 通信简介及模型 Java Socket 可实现客户端--服务器间的双向实时通信.java.net包中定义的两个类socket和ServerSocket,分别用来实现双向连接的cli ...
- Java Socket Server的演进 (一)
最近在看一些网络服务器的设计, 本文就从起源的角度介绍一下现代网络服务器处理并发连接的思路, 例子就用java提供的API. 1.单线程同步阻塞式服务器及操作系统API 此种是最简单的socket服务 ...
- JAVA Socket超时浅析
JAVA Socket超时浅析 套接字或插座(socket)是一种软件形式的抽象,用于表达两台机器间一个连接的"终端".针对一个特定的连接,每台机器上都有一个"套接字&q ...
- Java Socket编程题库
一. 填空题 ___ IP地址____用来标志网络中的一个通信实体的地址.通信实体可以是计算机,路由器等. 统一资源定位符URL是指向互联网"资源"的指针,由4部分组成:协议 ...
- Java Socket编程(转)
Java Socket编程 对于Java Socket编程而言,有两个概念,一个是ServerSocket,一个是Socket.服务端和客户端之间通过Socket建立连接,之后它们就可以进行通信了.首 ...
- 交通银行 Java Socket 服务启动 管理 WINDOWS 版
按照交通银行提供的无界面启动方法试验了很多次,都没有成功,所以自己动手用C# 知识写了一个. 小工具可以判断 交通银行 JAVA SOCKET 服务是否启动,并可以启动/关闭服务 主要代码如下: 判断 ...
随机推荐
- php$get中文汉字参数乱码
最近写了个简单的页面,从浏览器中传入中文参数(test.php?name=测试),不论怎么设置utf-8的页面中都显示乱码,google了一把也查到了不少解决办法,但是问题的原因到底是什么呢?没有人深 ...
- ssl 内存泄露
http://i.mtime.com/chevalier/blog/1824652/ openssl内存分配 chevalier 发布于: 2009-04-20 10:31 openssl内存分配 ...
- tomcat 设置session过期时间(四种方式)
1.在tomcat-->conf-->servler.xml文件中定义: <Context path="/test" docBase="/test&qu ...
- js进阶正则表达式15验证身份证号(|符号的使用:var reg=/^\d{17}[\d|X]$|^\d{15}$/)(str的方法substr)
js进阶正则表达式15验证身份证号(|符号的使用:var reg=/^\d{17}[\d|X]$|^\d{15}$/)(str的方法substr) 一.总结 1.|符号的使用:var reg=/^\d ...
- 【codeforces 754D】Fedor and coupons
time limit per test4 seconds memory limit per test256 megabytes inputstandard input outputstandard o ...
- Bootstrap手机网站开发案例
Bootstrap手机网站开发案例 一.总结 一句话总结:Bootstrap手机网站开发注意事项(3点):a.引入viewpoint声明,b.通过屏幕宽动态控制元素显隐 c.图片添加自适应 1.Boo ...
- CocoaPods详解之(三)----制作篇
CocoaPods详解之----制作篇 作者:wangzz 原文地址:http://blog.csdn.net/wzzvictory/article/details/20067595 转载请注明出处 ...
- docker部署netcore应用(二)
基于第一章已经安装好了docker,这次将把netcore应用部署到docker容器中 开发工具vs2017,准备个DotNet Core的Console应用程序,测试一下 发布DockerTest项 ...
- mybatis在CRUD
一. 一个简短的引论: Mybatis本是apache的一个开源项目ibatis, 2010年这个项目由apache software foundation迁移到了google code, 而且改名为 ...
- express笔记
1.req.query: 获取get请求的查询字符串对象 2.req.body: 获取post请求的查询字符串对象,要使用该方法需要先使用body-parser中间件,app.use(bodyPars ...