网页内容智能抓取实现及实例详解

网页内容智能抓取实现及实例详解

架构

完全基于java的技术

核心技术

XML解析，HTML解析，开源组件应用。应用的开源组件包括：

●DOM4J：解析XML文件

●jericho-html-2.5：解析HTML文件

●commons-httpclient：读取WEB页面内容工具

其他必须的辅助引用包括：

●commons-codec

●commons-logging

●jaxen

基本业务流程描述

●通过XML文件定义抓取目标

●通过DOM4J开源组件读取XML配置文件

●根据配置文件执行抓取任务

●对抓取到的内容根据定义进行解析与处理

目前缺陷功能描述

●抓取内容如果有分页，则无法获取下一分页

●目标页面可能包含有想抓取的信息，但没有抓取的配置选项。如百度贴吧

●目标页面链接定义不够灵活，对于百度贴吧的链接参数以50增加的只能手动定义

●没有多线程支持

●日志输出比较混乱

●错误处理比较简单，不能对失败的任务自动重新执行，很多地方缺乏错误判断，如

空数组

●程序架构不够清晰，代码略显凌乱

●不支持抓取结果存入多个表，目前只能将结果放在一个表中

●是否考虑写一个XML类，提供通用的调用XML节点跟解析结果的方法？

●规定任务文件的DTD？

●通配符替换不支持多个替换

目前功能描述

抓取目标定义

作用：

批量的定义抓取目标，自动生成要抓取的网页的地址。系统通过这个定义，自动生成要抓取的目标。网页抓取的意义在于批量自动化抓取，不可能手动的输入网址一个个进行抓取，所以抓取目标的自动生成是必须的。

抓取目标定义的XML文件范例：

startpos="1" endpos="3" />

href\=\'(/blog/\d*)\'

]]>

XML规则：

1.必须包含target节点，target的encode与timeout属性如果采用默认，可以不设置

2.multi-url与wildcard-url可以任选一个，也可以并存，最多2个。合理的情况包括：只

有一个multi-url，只有一个wildcard-url，一个multi-url和一个wildcard-url。注意，无论wildcard-url跟multi-url的顺序如何，系统都会从multi-url开始执行。

3.multi-url下包含至少一个single-url元素，通过single-url元素的href属性设置url

4.wildcard-url属性包括href，startpos，endpos，这3个属性都是必须的。目前只支持（*）

通配，url中只能有一个(*)，（*）将会被替换成startpos和endpos之间的数字。

5.target-regex属性包括root，该属性值将会被添加在通过这个正则匹配得到的url之前。

主要针对相对url。相对url需要加上站点的根路径组成完整路径。而如果是绝对url的话，可以将root属性放空。注意，正则表达式需要放在CDA TA标签内。因为正则包含特殊字符，必须放在CDA TA内，否则很可能导致解析错误。

解析过程：

1.首先获得页面编码与超时设置，在接下来读取任何html页面的过程中，这2个参数都

会被应用。默认的编码为UTF-8，默认的超时时限为5000ms。如果要抓取的网站访问很慢，响应时间特别长，那么这个超时时限可以相应设置得高一点。如果在target中没有指定这2个值，那么系统会采用默认的编码跟超时设置。

2.判断是否包含multi-url定义，包含的话调用相应的方法，如果target下定义了target-regex

元素，那么multi-url中定义的url会先被读取，然后将读取到的内容使用target-regex 中定义的正则表达式进行匹配，将匹配结果作为目标列表返回。如果target下没有定义target-regex，那么将multi-url下所有的url作为目标列表返回。

3.判断是否包含wildcard-url定义，包含的话调用相应的方法，首先获得起始跟终结位置，

替换生成所有通配的url，接下来同multi-url，如果target下定义了target-regex元素，那么所有生成的通配url会先被读取，然后将读取到的内容使用target-regex中定义的正则表达式进行匹配，将匹配结果作为目标列表返回。如果target下没有定义target-regex，那么将所有生成的通配url作为目标列表返回。

举例1：最简单的定义抓取目标

例如我们抓取百度的首页，显然这是没什么意义的事情，这里只是举例说明抓取目标的定义方法。

这样就完整定义了抓取地址，对于target，我们定义了encode属性，但是省略了timeout 属性，因为系统默认是utf8编码，而百度是gb2312编码，必须指定。而timeout我们默认就可以。

举例2：通配符url定义抓取目标

上网时候经常可以看到某篇文章，如果比较长，就可以会被分成多页，我们点击下一页翻看，对于这样的url地址一般都是非常有规律的，通常它的url带有一个类似page=1之类的属性。假设我们抓取某篇文章的全部内容，这篇文章地址为https://www.360docs.net/doc/c811885699.html,/?page=1，它总共有3页，地址就是后面page从1变到3。那么我们可以这样定义目标：

startpos="1" endpos="3" />

我们假设这个网站响应很快，并采用UTF8编码，target的2个属性我们就忽略了。系统会自动解析成https://www.360docs.net/doc/c811885699.html,/?page=1 , https://www.360docs.net/doc/c811885699.html,/?page=2 , https://www.360docs.net/doc/c811885699.html,/?page=3这样的3个网址。

举例3：multi-url+正则表达式定义抓取目标

比较经常的情况是，我们要抓取的内容在多个地址上。例如百度贴吧，我们想要某个贴吧前5页的所有的帖子的内容，显然，采用例子一定义所有帖子的url太烦琐，而帖子的url 地址又没办法用通配符来表示，这个时候，使用正则抓取是最好的方法。这要求使用者有正则表达式的基础。

href="https://www.360docs.net/doc/c811885699.html,/f?z=0&ct=318767104&lm=11 &sc=0&rn=50&tn=baiduKeywordSearch&rs3=0&rs4=0 &word=java&pn=0" />

href="https://www.360docs.net/doc/c811885699.html,/f?z=0&ct=318767104&lm=11& ;sc=0&rn=50&tn=baiduKeywordSearch&rs3=0&rs4=0& ;word=java&pn=50" />

href="https://www.360docs.net/doc/c811885699.html,/f?z=0&ct=318767104&lm=11& ;sc=0&rn=50&tn=baiduKeywordSearch&rs3=0&rs4=0& ;word=java&pn=100" />

class=t\shref=\"(.*?)\"

]]>

首先我们列出3个页面列表，每个页面上大概有50个帖子，通过查看源代码我们看到它的url是这样写的 ，通过总结规律，我们得

出了上面target-regex的正则表达式，系统将通过这个正则去匹配所有符合条件的地址。注意，

必须将我们要的地址页就是这里href里面的内容用()括起来，这样系统才会获取这个分组。

由于百度这里采用的是相对路径，所以我们要设定根节点root，系统匹配完成后会用root 加上匹配结果作为目标地址，也就是https://www.360docs.net/doc/c811885699.html,/f?kz=350025590。

同样的，wildcard-url元素也可以配合target-regex来使用。

清除目标定义

作用：

将抓取到的目标文件用定义的规则进行裁减。先去掉网页中我们不需要的内容，可能对于后面的解析有帮助。

清除目标定义的XML文件范例：

||

]]>

.*?

]]>

XML规则：

1.必须包含cleaner节点。clean任务只要是为了提高后面处理任务的执行效率。clean任

务先去掉了网页中不会参与解析的内容，可以减少后面执行解析的速度。

2.clean节点可以任意多个，预定义的type属性包括：head,css,script,tags,regex。clean类

型为head的，会将网页内容截断只保留body跟body之间的内容。head之间的内容会

被删除。clean类型为css的，会将页面上所有css定义去掉，但是这个清除不包括去掉

内联的style定义。clean类型为script的，会将页面上所有javascript脚本去掉。类型为

tags的，如果CDA TA内没有定义任何字段，那么会清除页面上所有的html标签，如果

CDA TA定义了字段，那么会清除定义的html标签。最后一个也是最强大的一个，正则

表达式类型，系统会对所有匹配的内容进行正则替换。

解析过程：

1.读取clean列表，获得要进行清除的任务。

2.判断clean类型，执行相应的操作。注意：由于clean会对内容进行全文搜索与替换，

在内容很长的情况下可能会非常消耗资源并要执行很长时间。对于clean操作如非必要，慎用。只有head类型的是例外，head由于只在头尾出现，所以匹配执行速度很快。是比较常用的定义。

举例1：

对于抓取，我们通常只关心网页的文字内容。那么解析前我们就可以将head部分的内容都去掉。这部分内容对于解析毫无意义。那么我们可以这样定义：

很简单完成。

举例2：

可能我们也不想要内容中的脚本，和头。

同样简单。

举例3：

清除网页上所有的span跟pre标签

|

]]>
处理过程定义
作用：
系统的核心过程，通过定义这个过程，完成对抓取内容的解析。包括保存到数据库，裁减等。
处理过程定义的XML文件范例：
 
class=\"blog_title\">.*
<.*?>(.*?).*?