总结一下五种实现网络爬虫的方法（一，基于socket通信编写爬虫）

最近呢，由于实习需要呢，复习一遍爬虫，前断时间闭关刷题去了，也会把刷题心得总结成博客分享给大家，比如java集合类特性及源码解析，操作系统数据结构的一些算法，设计模式等，放心，肯定不会鸽的，虽然可能会晚一点写。



言归正传，java实现网络爬虫一般有五种方法（据我所知，要是有其他方法的同学欢迎分享）

1.基于socket通信编写爬虫：最底层的方式，同时也是执行最高效的，不过开发效率最低。

2.基于HttpURLConnection类编写爬虫：java se的net包的核心类，主要用于http的相关操作。

3.基于apache的HttpClient包编写爬虫：由net包拓展而来，专为java网络通信编程而服务。

4.基于phantomjs之类的无头（无界面）浏览器：

    (1)它是浏览器的核心，并非浏览器。换言之，它是没有UI的浏览器。

    (2)它提供的js api，故它可以方便直接的被各种程序语言调用。换言之，似乎是js写的。


5.基于Selenium或者是WebDriver之类的有头（有界面）浏览器

    (1)它是浏览器核心，并非浏览器。换言之，它是没有界面UI的浏览器。无头，即无界面。


    (2)它提供的js api,故它可以方便直接的被各种程序语言调用。

其实第五个呢，我也不是很熟悉，到时候写第五篇的时候呢，会一边学一边写，可能会有比较幼稚的错误，欢迎大家指点哈。

这部分呢。借鉴了周光亮老师的视频上的部分讲解。


首先，这篇介绍的是socket编程编写爬虫，当然，一般在程序开发的时候我们一般不会用这种方式，毕竟httpclient几行代码的事情，但是基于这种方式使其他的方式更易于理解，了解一下还是比较必要的。

 
  socket并不是什么通信协义，只是为了方便tcp/ip层的上层访问tcp/ip层而做一层封装。即应用层以下负责ip地址间的传输，而应用层应用socket实现端对端的传输，即精确到
   IP:端口。


首先呢，因为之后要写出很多的类，所以提前规划一下包结构是比较好的，如下：




com.lzx.simple.control这个包是用来给用户控制行为的包

com.lzx.simple.enumeration 这个包集合了一些枚举类型，如TaskLevel用来控制优先级。
package com.lzx.simple.enumeration; /** * 抓取任务的优先级等级 * @author Administrator *
*/ public enum TaskLevel { HIGH,MIDDLES,LOW }
com.lzx.simple.iface.crawl这个包集合了一些接口，毕竟我们需要面向接口来编程，什么是面向接口编程？去拿本设计模式的书出去罚站
package com.lzx.simple.iface.crawl; import
com.lzx.simple.pojos.CrawlResultPojo; import com.lzx.simple.pojos.UrlPojo;
public interface ICrawler { public CrawlResultPojo crawl(UrlPojo urlPojo); }

com.lzx.simple.imple.crawl这个包集合了一些接口的实现类，比如这次的SocktCrawlerImpl类实现了ICrawler接口，这个类的代码不放了，待会儿单独解释。

com.lzx.simple.manager这个包集合了一些管理方法

com.lzx.simple.pojos这个包集合了一些简单对象，例如UrlPojo类
package com.lzx.simple.pojos; import java.net.MalformedURLException; import
java.net.URL; import com.lzx.simple.enumeration.TaskLevel; /** *
简单的Java对象（Plain Ordinary Java Objects） * @author Administrator * */ public
class UrlPojo { private String url; private TaskLevel taskLevel; public String
getHost(){ try { URL url = new URL(this.url); return url.getHost(); } catch
(MalformedURLException e) { // TODO 自动生成的 catch 块 e.printStackTrace(); } return
null; } public UrlPojo(String url) { this.url = url; } public UrlPojo(String
url, TaskLevel taskLevel) { this.url = url; this.taskLevel = taskLevel; }
public String getUrl() { return url; } public void setUrl(String url) {
this.url = url; } public TaskLevel getTaskLevel() { return taskLevel; } public
void setTaskLevel(TaskLevel taskLevel) { this.taskLevel = taskLevel; } }
我们可以看到UrlPojo中有url属性（网址）和taskLevel（优先级），除了getset还有gethost函数，这个类封装
了一个需抓取的网页，还有另一个类如下：
package com.lzx.simple.pojos; public class CrawlResultPojo { private boolean
isSuccess; private String pageContent; private int httpStatuCode; public
boolean isSuccess() { return isSuccess; } public void setSuccess(boolean
isSuccess) { this.isSuccess = isSuccess; } public String getPageContent() {
return pageContent; } public void setPageContent(String pageContent) {
this.pageContent = pageContent; } public int getHttpStatuCode() { return
httpStatuCode; } public void setHttpStatuCode(int httpStatuCode) {
this.httpStatuCode = httpStatuCode; } }
我们用CrawlResultPojo这个类来表示抓取结果，三个属性都很显而易见，抓取是否成功，网页内容，状态码。还有相应getset。

有些package还没有文件，之后用到会添加并说明。

然后开始我们的socket通信的类：
package com.lzx.simple.imple.crawl; import java.io.BufferedReader; import
java.io.BufferedWriter; import java.io.IOException; import
java.io.InputStreamReader; import java.io.OutputStreamWriter; import
java.net.Socket; import java.net.UnknownHostException; import
javax.swing.text.AbstractDocument.BranchElement; import
com.lzx.simple.iface.crawl.ICrawler; import
com.lzx.simple.pojos.CrawlResultPojo; import com.lzx.simple.pojos.UrlPojo;
public class SocketCrawlerImpl implements ICrawler{ public CrawlResultPojo
crawl(UrlPojo urlPojo) { CrawlResultPojo crawlResultPojo=new CrawlResultPojo();
if (urlPojo==null||urlPojo.getUrl()==null ){ crawlResultPojo.setSuccess(false);
crawlResultPojo.setPageContent(null); return crawlResultPojo; } String
host=urlPojo.getHost(); if (host==null) { crawlResultPojo.setSuccess(false);
crawlResultPojo.setPageContent(null); return crawlResultPojo; } BufferedWriter
bufferedWriter=null; BufferedReader bufferedReader=null; try { Socket
socket=new Socket(host, 80); //socket.setKeepAlive(false); bufferedWriter=new
BufferedWriter(new OutputStreamWriter(socket.getOutputStream()));
bufferedWriter.write("GET "+urlPojo.getUrl()+" HTTP/1.1\r\n");
bufferedWriter.write("HOST:"+host+"\r\n");
bufferedWriter.write("Connection:close"+"\r\n");
bufferedWriter.write("\r\n");//提示http header结束
bufferedWriter.flush();//flush()表示强制将缓冲区中的数据发送出去,不必等到缓冲区满. bufferedReader=new
BufferedReader(new InputStreamReader(socket.getInputStream())); String line;
StringBuilder stringBuilder=new StringBuilder();
while((line=bufferedReader.readLine())!=null){ stringBuilder.append(line+"\n");
} crawlResultPojo.setSuccess(true);
crawlResultPojo.setPageContent(stringBuilder.toString()); return
crawlResultPojo; } catch (UnknownHostException e) { // TODO 自动生成的 catch 块
e.printStackTrace(); } catch (IOException e) { // TODO 自动生成的 catch 块
e.printStackTrace(); }finally { try { if (bufferedReader!=null) {
bufferedReader.close(); } if (bufferedWriter!=null) { bufferedWriter.close(); }
} catch (Exception e2) { // TODO: handle exception e2.printStackTrace(); } }
return null; } public static void main(String[] args) { SocketCrawlerImpl
socketCrawlerImpl=new SocketCrawlerImpl(); UrlPojo urlPojo=new
UrlPojo("http://www.baidu.com"); CrawlResultPojo
crawlResultPojo=socketCrawlerImpl.crawl(urlPojo);
System.out.println(crawlResultPojo.getPageContent()); } }

这个是整个类的源码

主要的抓取工作就在crawl这个函数中，因为我们要返回CrawlResultPojo对象，所以一开始new了一个CrawlResultPojo；

然后判断待抓取的网页对象urlPojo是不是空，以及它的属性url是不是空。如果是就构造个返回失败的CrawlResultPojo返回回去。

然后gethost获得待抓取对象的主机名，用于待会儿构造http header。当然也要判断一下首部是否为空了。

然后构造缓冲输入流和输出流bufferedWriter和bufferedReader；

然后构造Socket，构造函数的参数这里是主机名+端口，端口默认是80，如果有特殊需要再改动；当然构造函数的参数也可以是IP地址+端口，端对端通信的本质。

然后在bufferedWriter构造http首部以便发送。


这里就有一个比较有趣事情了，周光亮老师在视频的讲解中发现了一个bug，他发现使用http/1.1的协议会导致抓取有一段真空期，即程序输出完这个页面的字符串后，会停顿一段时间然后再结束程序，而改用http/1.0的协议就不会，抓取完直接结束程序，周老师当时调试了很久都没有解决。

其实主要原因呢，是他在构造http首部的时候没有加
bufferedWriter.write("Connection:close"+"\r\n");
这段代码，为什么加了这段代码后就可以去除真空期呢？

因为，

http 1.0中默认是关闭的，需要在http头加入"Connection: Keep-Alive"，才能启用Keep-Alive；



http 1.1中默认启用Keep-Alive，如果加入"Connection: close "，才关闭。

嗯，1.1版本更持久一点- -，




构造完就调用flush扔出去了

然后输入流就不多说了，基本套路。

这样就实现了socket抓取网页= =。

• « 上一篇：2018年各大互联网前端面试题三（阿里）
• » 下一篇：过招多家大厂提炼的iOS面试心经