网络爬虫---牛刀小试

一、写在前面

（本专栏分为“java版微博爬虫”和“python版网络爬虫”两个项目，系列里所有文章将基于这两个项目讲解，项目完整源码已经整理到我的Github，有兴趣的可以去看下，链接地址在文末。）

网络爬虫根据需求的不同也分不同种类：

1.一种是爬取网页链接，通过url链接得到这个html页面中指定的链接，把这些链接存储起来，再依次以这些链接为源，再次爬取连接指向html页面中的链接……如此层层递归下去，常用的方法是广度优先或者深度优先，根据爬取层次需求不同而选择不同的方法达到最优效果，爬虫的效率优化是一个关键。

搜索引擎的第一个步骤就是通过爬虫得到需要索引的链接或数据，存放于数据库，然后对这些数据建立索引，然后定义查询语句，解析查询语句并利用检索器对数据库里的数据进行检索。

2.一种是爬取数据信息，如文本信息、图片信息等，有时需要做数据分析，通过某种手段来获取数据样本以供后续分析，常用的方法是爬虫获取指定数据样本或利用现有的公共数据库。本文的微博爬虫属于第二种类，根据自定义搜索关键字爬取微博信息数据。

对于网络爬虫原理，其实并不复杂。基本思路是：由关键字指定的url把所有相关的html页面全抓下来（html即为字符串），然后解析html文本（通常是正则表达式或者现成工具包如jsoup），提取微博文本信息，然后把文本信息存储起来。

重点在于对html页面源码结构的分析，不同的html需要不同的解析方法；还有就是长时间爬取可能对IP有影响，有时需要获取代理IP，甚至需要伪装浏览器爬取。

对于微博，通常情况下是必须登录才能看到微博信息数据（比如腾讯微博），但是有的微博有搜索机制，在非登录的情况下可以直接通过搜索话题来查找相关信息（如新浪微博、网易微博）。考虑到某些反爬虫机制，如果一个账号总是爬取信息可能会有些影响（比如被封号），所以本文采用的爬虫都是非登录、直接进入微博搜索页面爬取。这里关键是初始url地址。

二、网页分析

举个例子，对于有搜索机制的微博，如新浪微博和网易微博：（这里尤其要注意地址及参数！）

新浪微博搜索话题地址：http://s.weibo.com/weibo/苹果手机&nodup=1&page=50

网易微博搜索话题地址：http://t.163.com/tag/苹果手机

分别来看下网页截图和对应网页源码：

(1) 新浪微博：

(2) 网易微博：

我们需要做的就是把微博的文本提取出来，这里有些特征信息：根据关键字搜到的微博，其关键字会被标红，在html源码里有体现，分别查看两个网页的源代码。

可以看到，新浪微博的源码全部为html标签，为了反爬虫故意将源码混乱，并且汉字也做了处理，显示汉字的utf-8编码而不是直接显示汉字，不太好找，这里就需要查找红色字体color:red的部分，其中\u82f9\u679c\u624b\u673a<\span>中间夹着的哪些utf8编码其实就是关键字“苹果手机”。后面的那些utf8编码就是本条微博的文本内容。

而网易微博在这方面就要看起来容易许多，至少html里直接显示的是汉字，比较好找，而且微博文本部分其实是以json格式体现的，直接解析json就可以提取文本数据了，当然也可以直接用正则。

三、爬取微博

这里先写个简单的爬虫，原理都差不多，就拿网易微博为例，先说下爬虫程序需要用到的工具包：

httpclient-4.3.1.jar -------建立HTTP链接，用于从url获取html

httpcore-4.3.jar

httpmime-4.3.1.jar

httpclient-cache-4.3.1.jar

fluent-hc-4.3.1.jar

fastjson-1.1.41.jar ------解析json的工具包

jsoup-1.7.3.jar -------解析xml，html的工具包

dom4j-1.6.1.jar -------读写xml的工具包

commons-lang-2.1.jar

commons-logging-1.2.jar

commons-codec-1.8.jar

总体思路：

getHTML()方法：从url得到html字符串。

这里有两个关键点：

(1) 设置用户cookie策略，屏蔽掉cookie rejected的报错，当然可以不设置，直接用默认的client，即是CloseableHttpClient client = HttpClients.createDefault();创建的客户端，但是会报错；设置cookie的代码如下：

CookieSpecProvider cookieSpecProvider = new CookieSpecProvider(){public CookieSpec create(HttpContext context){return new BrowserCompatSpec(){@Overridepublic void validate(Cookie cookie, CookieOrigin origin) throws MalformedCookieException {//Oh, I am easy;}};}};Registry<CookieSpecProvider> r = RegistryBuilder.<CookieSpecProvider> create().register(CookieSpecs.BEST_MATCH, new BestMatchSpecFactory()).register(CookieSpecs.BROWSER_COMPATIBILITY, new BrowserCompatSpecFactory()).register("easy", cookieSpecProvider).build();

(2) 设置socket超时socketTimeout和连接超时connectTimeout，这很关键，如果不设置的话，当网络不好的情况下，某次请求没有及时得到响应，程序可能会卡死。但是设置连接超时，超时之后再自动重连就可以避免这个问题。代码如下：

RequestConfig requestConfig = RequestConfig.custom().setCookieSpec("easy").setSocketTimeout(5000) //设置socket超时时间.setConnectTimeout(5000)  //设置connect超时时间.build();

2.isExitHTML()方法：

判断html是否合法（有效html，有微博内容的），有时候会出现页面不存在的情况，是因为该关键字没有微博信息，这是页面有提示：“没有找到相关的微博呢，换个关键词试试吧！”如下图；

3.writeWeibo2txt()方法：

正则解析（这里主要解析微博文本内容content、用户id、发文时间prettyTime），得到微博文本数据：控制台输出、写到txt文件；

（这里没有用jsoup去解析html，直接用的正则，有时间后面再写jsoup解析html的，比正则方便，当然对正则表达式这个工具掌握很熟练的朋友可以忽略……）

我的博客里另外有一篇正则教程完全总结，可以去看下：正则表达式总结

本来网易微博的源代码里嵌入了json元素，前面的html标签的都不是微博文本数据，在这个标签后面 <scriptid="data_searchTweet" type="application/json">才是json格式包括的微博文本，本来打算先把json串用正则匹配出来，后来发现，直接匹配关键字岂不更好？但这里要注意的是匹配的时候可能会有很多换行符之类的东西，我这里只匹配了三个field，正则表达式"id":\s"\d{19}",(\n?)|(\s?)"content":\s".?",(\n?)|(\s?)"prettyTime":\s".?"

顺便推荐一个检测正则的工具：http://tool.oschina.net/regex?optionGlobl=global

把源码贴上来吧：

/*** @note 1.根据搜索关键词从指定url得到相应的html页面,并验证其合法性;*       2.得到微博样本:写到txt文件里* * @author DianaCody* @since 2014-09-26 15:08**/import java.io.BufferedReader;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileReader;
import java.io.FileWriter;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;
import java.util.regex.Pattern;
import java.util.regex.Matcher;import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.config.CookieSpecs;
import org.apache.http.client.config.RequestConfig;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.config.Registry;
import org.apache.http.config.RegistryBuilder;
import org.apache.http.cookie.Cookie;
import org.apache.http.cookie.CookieOrigin;
import org.apache.http.cookie.CookieSpec;
import org.apache.http.cookie.CookieSpecProvider;
import org.apache.http.cookie.MalformedCookieException;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.impl.cookie.BestMatchSpecFactory;
import org.apache.http.impl.cookie.BrowserCompatSpec;
import org.apache.http.impl.cookie.BrowserCompatSpecFactory;
import org.apache.http.protocol.HttpContext;
import org.apache.http.util.EntityUtils;public class Weibo163 {private String getHTML(String url) throws URISyntaxException, ClientProtocolException, IOException {//采用用户自定义cookie策略,不显示cookie rejected的报错CookieSpecProvider cookieSpecProvider = new CookieSpecProvider(){public CookieSpec create(HttpContext context){return new BrowserCompatSpec(){@Overridepublic void validate(Cookie cookie, CookieOrigin origin) throws MalformedCookieException {}};}};Registry<CookieSpecProvider> r = RegistryBuilder.<CookieSpecProvider> create().register(CookieSpecs.BEST_MATCH, new BestMatchSpecFactory()).register(CookieSpecs.BROWSER_COMPATIBILITY, new BrowserCompatSpecFactory()).register("cookie", cookieSpecProvider).build();RequestConfig requestConfig = RequestConfig.custom().setCookieSpec("cookie").setSocketTimeout(5000) //设置socket超时时间.setConnectTimeout(5000)  //设置connect超时时间.build();CloseableHttpClient httpClient = HttpClients.custom().setDefaultCookieSpecRegistry(r).setDefaultRequestConfig(requestConfig).build();HttpGet httpGet = new HttpGet(url);httpGet.setConfig(requestConfig);String html = "html获取失败"; //用于验证是否取到正常的htmltry{CloseableHttpResponse response = httpClient.execute(httpGet);html = EntityUtils.toString(response.getEntity());//System.out.println(html); //打印返回的html         } catch (IOException e) {e.printStackTrace();}return html;}private boolean isExistHTML(String html) throws InterruptedException {boolean isExist = false;Pattern pNoResult = Pattern.compile("\\\\u6ca1\\\\u6709\\\\u627e\\\\u5230\\\\u76f8"+ "\\\\u5173\\\\u7684\\\\u5fae\\\\u535a\\\\u5462\\\\uff0c\\\\u6362\\\\u4e2a"+ "\\\\u5173\\\\u952e\\\\u8bcd\\\\u8bd5\\\\u5427\\\\uff01"); //没有找到相关的微博呢，换个关键词试试吧！（html页面上的信息）Matcher mNoResult = pNoResult.matcher(html);if(!mNoResult.find()) {isExist = true;}return isExist;}private void writeWeibo2txt(String html, String savePath) throws IOException {File htmltxt = new File(savePath); //新建一个txt文件用于存放爬取的结果信息FileWriter fw = new FileWriter(htmltxt);BufferedWriter bw = new BufferedWriter(fw);//regex-----"id":\s"\d{19}",(\n*?)|(\s*?)"content":\s".*?",(\n*?)|(\s*?)"prettyTime":\s".*?"Pattern p = Pattern.compile("\"id\":\\s\"\\d{19}\",(\\n*?)|(\\s*?)\"content\":\\s\".*?\",(\\n*?)|(\\s*?)\"prettyTime\":\\s\".*?\"");Matcher m = p.matcher(html);while(m.find()) {System.out.println(m.group());bw.write(m.group());}bw.close();}public static void main(String[] args) throws IOException, URISyntaxException, InterruptedException {Weibo163 crawler = new Weibo163();String searchword = "iPad"; //搜索关键字为"iPad"的微博html页面String html = crawler.getHTML("http://t.163.com/tag/"+searchword);String savePath = "e:/weibo/html.txt"; //输出到txt文件的存放路径if(html != "html获取失败") {if(crawler.isExistHTML(html)) {System.out.println(html);crawler.writeWeibo2txt(html, savePath);}}//Pattern p = Pattern.compile("<script id=\"data_searchTweet\" type=\"application/json\">.+?<\script>"); //<script id="data_searchTweet" type="application/json">.*?<\script>//Matcher m = p.matcher(html);//html = crawler.getHTML("http://s.weibo.com/weibo/"+searchword+"&nodup=1&page="+1);//System.out.println(html);}}

程序运行截图：

该java爬虫项目源码github地址：https://github.com/DianaCody/Spider_SinaTweetCrawler_java。