Java爬虫爬取网站电影下载链接
之前有看过一段时间爬虫，了解了爬虫的原理，以及一些实现的方法，本项目完成于半年前，一直放在那里，现在和大家分享出来。
网络爬虫简单的原理就是把程序想象成为一个小虫子，一旦进去了一个大门，这个小虫子就像进入了新世界一样，只要符合他的口味的东西就会放在自己的袋子里，但是他还不满足，只要见到可以打开的门，他都要进去看看，里面有没有他想要的东西有就装起来，直到每个门里都看了一遍，确定没有了之后，他才肯放弃，这样下来，他的袋子已经装满了想要的东西。
上述内容表述起来就是：网络爬虫就是一个自动提取网页内容的程序，这个程序的行为像一个虫子似的，爬来爬去。一般的网络爬虫都有一个或者多个网页的url作为开始，从开始的网页上获取url，并把符合条件的内容保存下来，这样一直进行下去，直到条件不符合的时候，程序执行结束。
以下只是简单的一个爬虫，爬取一个下载网站上的迅雷下载链接，用到了两个辅助队列，一个存链接作为判断当前链接是否已经打开过，另一个是进行操作的队列，存进去的链接都会进行操作。最后获取到的下载链接存在set集合中，以保证链接不会重复。
-------------------------------以下是一个分析源码的过程，后期发现这个编码没有用上---------------------------------------------------------------------
由于在网页上显示的只是一串文字，当用户点击后，他的链接会经过url编码，编码成迅雷能够识别的链接，网站上使用的是javascript的url编码，java自带了一个url编码，和网站上的不一致，我们需要java的url编码的源码，通过分析源码其实很难简单地发现对什么字符编码，对什么不进行编码，和javascript的url编码比较之后，对其进行改造，经过比对，发现java的编码，对'@','[',']',':','/'不处理，只需要增加他们进去就行
static { dontNeedEncoding = new BitSet(256); int i; for (i = 'a'; i <= 'z'; i++) { dontNeedEncoding.set(i); } for (i = 'A'; i <= 'Z'; i++) { dontNeedEncoding.set(i); } for (i = '0'; i <= '9'; i++) { dontNeedEncoding.set(i); } dontNeedEncoding.set(' '); /* encoding a space to a + is done * in the encode() method */ dontNeedEncoding.set('-'); dontNeedEncoding.set('_'); dontNeedEncoding.set('.'); dontNeedEncoding.set('*'); dfltEncName = AccessController.doPrivileged( new GetPropertyAction("file.encoding") ); }改造后的url编码类，去掉了没有用的语句，增加对对'@','[',']',':','/'特殊字符的编码
package url; import java.io.UnsupportedEncodingException; import java.io.CharArrayWriter; import java.net.URLEncoder; import java.nio.charset.Charset; import java.nio.charset.IllegalCharsetNameException; import java.nio.charset.UnsupportedCharsetException; import java.util.BitSet; public class URLEncoders { static BitSet dontNeedEncoding; static final int caseDiff = ('a' - 'A'); static String dfltEncName = null; static { dontNeedEncoding = new BitSet(256); int i; for (i = 'a'; i <= 'z'; i++) { dontNeedEncoding.set(i); } for (i = 'A'; i <= 'Z'; i++) { dontNeedEncoding.set(i); } for (i = '0'; i <= '9'; i++) { dontNeedEncoding.set(i); } dontNeedEncoding.set(' '); /* * encoding a space to a + is done in the * encode() method */ dontNeedEncoding.set('-'); dontNeedEncoding.set('_'); dontNeedEncoding.set('.'); dontNeedEncoding.set('*'); dontNeedEncoding.set('@'); dontNeedEncoding.set('['); dontNeedEncoding.set(']'); dontNeedEncoding.set(':'); dontNeedEncoding.set('/'); } @Deprecated public static String encode(String s) { String str = null; try { str = encode(s, dfltEncName); } catch (UnsupportedEncodingException e) { } return str; } public static String encode(String s, String enc) throws UnsupportedEncodingException { boolean needToChange = false; StringBuffer out = new StringBuffer(s.length()); Charset charset; CharArrayWriter charArrayWriter = new CharArrayWriter(); if (enc == null) throw new NullPointerException("charsetName"); try { charset = Charset.forName(enc); } catch (IllegalCharsetNameException e) { throw new UnsupportedEncodingException(enc); } catch (UnsupportedCharsetException e) { throw new UnsupportedEncodingException(enc); } for (int i = 0; i < s.length();) { int c = (int) s.charAt(i); if (dontNeedEncoding.get(c)) { if (c == ' ') { c = '+'; needToChange = true; } out.append((char) c); i++; } else { do { charArrayWriter.write(c); if (c >= 0xD800 && c <= 0xDBFF) { if ((i + 1) < s.length()) { int d = (int) s.charAt(i + 1); if (d >= 0xDC00 && d <= 0xDFFF) { charArrayWriter.write(d); i++; } } } i++; } while (i < s.length() && !dontNeedEncoding.get((c = (int) s.charAt(i)))); charArrayWriter.flush(); String str = new String(charArrayWriter.toCharArray()); byte[] ba = str.getBytes(charset); for (int j = 0; j < ba.length; j++) { out.append('%'); char ch = Character.forDigit((ba[j] >> 4) & 0xF, 16); if (Character.isLetter(ch)) { ch -= caseDiff; } out.append(ch); ch = Character.forDigit(ba[j] & 0xF, 16); if (Character.isLetter(ch)) { ch -= caseDiff; } out.append(ch); } charArrayWriter.reset(); needToChange = true; } } return (needToChange ? out.toString() : s); } }
所以当我研究好了以上的编码之后才发现，迅雷会识别未经过编码的链接，三种链接迅雷都可以下载，如下图：
所以以上就当是提高了一下分析源码的能力……
爬虫代码并没有做任何的优化，可以说效率非常低，程序用到了递归，并且在程序运行的过程中打开的链接会形成一个环形，也就是打开一个链接，之后程序执行的过程中会再次找到这个链接，所以这条路线就断了。
程序在执行过程中，如果当前访问的网址时间过长，会抛出异常，也会影响效率。
从运行时间和有效链接可以看出效率很低
其实爬虫的代码很简单，从网页获取代码，对其进行解析这么一个过程
主程序：并没有调用其他的方法，那个编码类也没有用上
package function; import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.nodes.Element; import org.jsoup.select.Elements; import queue.Queue; import java.io.IOException; import java.util.HashSet; import java.util.Iterator; import java.util.Set; import java.util.TreeSet; import java.util.regex.Pattern; public class Crawler { public static Queue q1 = new Queue(); public static Queue q2 = new Queue(); public static Set<String> set = new TreeSet<String>(); public static int i = 0; public static void main(String[] args) { Document doc = null; try { long begin = System.currentTimeMillis(); doc = Jsoup.connect("http://www.dytt8.net/index.htm").get(); Elements links = doc.select("a[href]"); for (Element link : links) { String linkHref = link.attr("href"); Pattern pattern = Pattern.compile("^/html/+(.)+.html"); Pattern pattern0 = Pattern .compile("http://www.dytt8.net/html/+(.)+.html"); Pattern pattern1 = Pattern.compile("^ftp://+((.)+)+"); if (pattern.matcher(linkHref).matches() == true || pattern0.matcher(linkHref).matches() == true) { q1.insertQueue(linkHref); q2.insertQueue(linkHref); open("http://www.dytt8.net" + q1.outQueue()); } } Iterator<String> it = set.iterator(); // while(it.hasNext()){ // String url=(String)it.next(); // int last=url.lastIndexOf("."); // int last1=url.lastIndexOf("]"); // // System.out.print(url.substring(last1+1, last)+" "); // System.out.println(URLEncoders.encode(url,"utf-8")); // } System.out.println("一共爬取" + q2.size() + "条链接"); long end = System.currentTimeMillis(); System.out.println("用时" + (end - begin) + "ms"); System.out.println("一共" + set.size() + "条下载链接"); } catch (IOException e) { // TODO Auto-generated catch block e.printStackTrace(); } } public static void open(String url) { Document doc = null; try { doc = Jsoup.connect(url).get(); Elements links = doc.select("a[href]"); for (Element link : links) { String linkHref = link.attr("href"); Pattern pattern = Pattern.compile("^/html/+(.)+.html"); Pattern pattern0 = Pattern .compile("http://www.dytt8.net/html/+(.)+.html"); Pattern pattern1 = Pattern.compile("^ftp://+((.)+)+"); if (pattern.matcher(linkHref).matches() == true || pattern0.matcher(linkHref).matches() == true) { q1.insertQueue(linkHref); q2.insertQueue(linkHref); if (q2.contains(linkHref) == false) { open("http://www.dytt8.net" + q1.outQueue()); } } else if (pattern1.matcher(linkHref).matches() == true) { System.out.println(linkHref); set.add(linkHref); } } } catch (IOException e) { // TODO Auto-generated catch block e.printStackTrace(); } } }试着弄了一下github，所以把这个非常不完美的项目放在了上面，就当练手，项目地址：https://github.com/Ai-yoo/Java_Applaction.git