使用 HttpClient 和 HtmlParser 实现简易爬虫

时间 2019-11-17

标签使用 httpclient htmlparser 实现简易爬虫栏目系统网络繁體版

原文原文链接

这篇文章介绍了 HtmlParser 开源包和 HttpClient 开源包的使用，在此基础上实现了一个简易的网络爬虫 (Crawler)，来讲明如何使用 HtmlParser 根据须要处理 Internet 上的网页，以及如何使用 HttpClient 来简化 Get 和 Post 请求操做，构建强大的网络应用程序。php

源文地址：http://www.ibm.com/developerworks/cn/opensource/os-cn-crawler/html

HttpClient 与 HtmlParser 简介

本小结简单的介绍一下 HttpClinet 和 HtmlParser 两个开源的项目，以及他们的网站和提供下载的地址。java

HttpClient 简介

HTTP 协议是如今的因特网最重要的协议之一。除了 WEB 浏览器以外， WEB 服务，基于网络的应用程序以及日益增加的网络计算不断扩展着 HTTP 协议的角色，使得愈来愈多的应用程序须要 HTTP 协议的支持。虽然 JAVA 类库 .net 包提供了基本功能，来使用 HTTP 协议访问网络资源，可是其灵活性和功能远不能知足不少应用程序的须要。而 Jakarta Commons HttpClient 组件寻求提供更为灵活，更加高效的 HTTP 协议支持，简化基于 HTTP 协议的应用程序的建立。 HttpClient 提供了不少的特性，支持最新的 HTTP 标准，能够访问这里了解更多关于 HttpClinet 的详细信息。目前有不少的开源项目都用到了 HttpClient 提供的 HTTP功能，登录网址能够查看这些项目。本文中使用 HttpClinet 提供的类库来访问和下载 Internet上面的网页，在后续部分会详细介绍到其提供的两种请求网络资源的方法： Get 请求和 Post 请求。Apatche 提供免费的 HTTPClien t源码和 JAR 包下载，能够登录这里下载最新的HttpClient 组件。笔者使用的是 HttpClient3.1。node

HtmlParser 简介

当今的 Internet 上面有数亿记的网页，愈来愈多应用程序将这些网页做为分析和处理的数据对象。这些网页多为半结构化的文本，有着大量的标签和嵌套的结构。当咱们本身开发一些处理网页的应用程序时，会想到要开发一个单独的网页解析器，这一部分的工做一定须要付出至关的精力和时间。事实上，作为 JAVA 应用程序开发者， HtmlParser 为其提供了强大而灵活易用的开源类库，大大节省了写一个网页解析器的开销。 HtmlParser 是 http://sourceforge.net 上活跃的一个开源项目，它提供了线性和嵌套两种方式来解析网页，主要用于 html 网页的转换(Transformation) 以及网页内容的抽取 (Extraction)。HtmlParser 有以下一些易于使用的特性：过滤器 (Filters)，访问者模式 (Visitors)，处理自定义标签以及易于使用的 JavaBeans。正如 HtmlParser 首页所说：它是一个快速，健壮以及严格测试过的组件；以它设计的简洁，程序运行的速度以及处理 Internet 上真实网页的能力吸引着愈来愈多的开发者。本文中就是利用HtmlParser 里提取网页里的连接，实现简易爬虫里的关键部分。HtmlParser 最新的版本是HtmlParser1.6，能够登录这里下载其源码、 API 参考文档以及 JAR 包。算法

开发环境的搭建

笔者所使用的开发环境是 Eclipse Europa，此开发工具能够在 www.eclipse.org 免费的下载；JDK是1.6，你也能够在 www.java.sun.com 站点下载，而且在操做系统中配置好环境变量。在 Eclipse 中建立一个 JAVA 工程，在工程的 Build Path 中导入下载的Commons-httpClient3.1.Jar，htmllexer.jar 以及 htmlparser.jar 文件。apache

图 1. 开发环境搭建

HttpClient 基本类库使用

HttpClinet 提供了几个类来支持 HTTP 访问。下面咱们经过一些示例代码来熟悉和说明这些类的功能和使用。 HttpClient 提供的 HTTP 的访问主要是经过 GetMethod 类和 PostMethod 类来实现的，他们分别对应了 HTTP Get 请求与 Http Post 请求。数组

GetMethod

使用 GetMethod 来访问一个 URL 对应的网页，须要以下一些步骤。浏览器

生成一个 HttpClinet 对象并设置相应的参数。
生成一个 GetMethod 对象并设置响应的参数。
用 HttpClinet 生成的对象来执行 GetMethod 生成的 Get 方法。
处理响应状态码。
若响应正常，处理 HTTP 响应内容。
释放链接。

清单 1 的代码展现了这些步骤，其中的注释对代码进行了较详细的说明。网络

/* 1 生成 HttpClinet 对象并设置参数*/
  HttpClient httpClient=new HttpClient();
  //设置 Http 链接超时为5秒
httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(5000);
  
  /*2 生成 GetMethod 对象并设置参数*/
  GetMethod getMethod=new GetMethod(url);     
  //设置 get 请求超时为 5 秒
getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT,5000);
  //设置请求重试处理，用的是默认的重试处理：请求三次
getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,
          new DefaultHttpMethodRetryHandler());
  
  /*3 执行 HTTP GET 请求*/
  try{ 
      int statusCode = httpClient.executeMethod(getMethod);
      /*4 判断访问的状态码*/
      if (statusCode != HttpStatus.SC_OK) 
      {
System.err.println("Method failed: "+ getMethod.getStatusLine());
      }
  
      /*5 处理 HTTP 响应内容*/
      //HTTP响应头部信息，这里简单打印
  Header[] headers=getMethod.getResponseHeaders();
      for(Header  h:  headers)
            System.out.println(h.getName()+" "+h.getValue());*/
      //读取 HTTP 响应内容，这里简单打印网页内容
      byte[] responseBody = getMethod.getResponseBody();//读取为字节数组
System.out.println(new String(responseBody));
      //读取为 InputStream，在网页内容数据量大时候推荐使用
      InputStream response = getMethod.getResponseBodyAsStream();//
      …
}
catch (HttpException e) 
{
      // 发生致命的异常，多是协议不对或者返回的内容有问题
          System.out.println("Please check your provided http address!");
e.printStackTrace();
     } 
catch (IOException e)
  {
            // 发生网络异常
        e.printStackTrace();
     } finally {
                 /*6 .释放链接*/
            getMethod.releaseConnection();           
            }

这里值得注意的几个地方是：数据结构

设置链接超时和请求超时，这两个超时的意义不一样，须要分别设置。
响应状态码的处理。
返回的结果能够为字节数组，也能够为 InputStream，然后者在网页内容数据量较大的时候推荐使用。

在处理返回结果的时候能够根据本身的须要，进行相应的处理。如笔者是须要保存网页

到本地，所以就能够写一个 saveToLocaleFile(byte[] data, String filePath) 的方法，将字节数组保存成本地文件。后续的简易爬虫部分会有相应的介绍。

PostMethod

PostMethod 方法与 GetMethod 方法的使用步骤大致相同。可是因为 PostMethod 使用的是HTTP 的 Post 请求，于是请求参数的设置与 GetMethod 有所不一样。在 GetMethod 中，请求的参数直接写在 URL 里，通常以这样形式出现：http://hostname:port//file?name1=value1&name2=value …。请求参数是 name，value 对。好比我想获得百度搜索“Thinking In Java”的结果网页，就可使 GetMethod 的构造方法中的 url 为：http://www.baidu.com/s?wd=Thinking+In+Java 。而 PostMethod 则能够模拟网页里表单提交的过程，经过设置表单里 post 请求参数的值，来动态的得到返回的网页结果。清单 2 中的代码展现了如何建立一个 Post 对象，并设置相应的请求参数。

清单2

PostMethod postMethod = new PostMethod("http://dict.cn/");
postMethod.setRequestBody(new NameValuePair[]{new NameValuePair("q","java")});

HtmlParser 基本类库使用

HtmlParser 提供了强大的类库来处理 Internet 上的网页，能够实现对网页特定内容的提取和修改。下面经过几个例子来介绍 HtmlParser 的一些使用。这些例子其中的代码，有部分用在了后面介绍的简易爬虫中。如下全部的代码和方法都在在类 HtmlParser.Test.java 里，这是笔者编写的一个用来测试 HtmlParser 用法的类。

迭代遍历网页全部节点

网页是一个半结构化的嵌套文本文件，有相似 XML 文件的树形嵌套结构。使用HtmlParser 可让咱们轻易的迭代遍历网页的全部节点。清单 3 展现了如何来实现这个功能。

清单 3

// 循环访问全部节点，输出包含关键字的值节点
    public static void extractKeyWordText(String url, String keyword) {
        try {
            //生成一个解析器对象，用网页的 url 做为参数
            Parser parser = new Parser(url);
            //设置网页的编码,这里只是请求了一个 gb2312 编码网页
            parser.setEncoding("gb2312");
            //迭代全部节点, null 表示不使用 NodeFilter
            NodeList list = parser.parse(null);
            //从初始的节点列表跌倒全部的节点
            processNodeList(list, keyword);
        } catch (ParserException e) {
            e.printStackTrace();
        }
    }

    private static void processNodeList(NodeList list, String keyword) {
        //迭代开始
        SimpleNodeIterator iterator = list.elements();
        while (iterator.hasMoreNodes()) {
            Node node = iterator.nextNode();
            //获得该节点的子节点列表
            NodeList childList = node.getChildren();
            //孩子节点为空，说明是值节点
            if (null == childList)
            {
                //获得值节点的值
                String result = node.toPlainTextString();
                //若包含关键字，则简单打印出来文本
                if (result.indexOf(keyword) != -1)
                    System.out.println(result);
            } //end if
            //孩子节点不为空，继续迭代该孩子节点
            else 
            {
                processNodeList(childList, keyword);
            }//end else
        }//end wile
    }

上面的中有两个方法：

private static void processNodeList(NodeList list, String keyword)

该方法是用相似深度优先的方法来迭代遍历整个网页节点，将那些包含了某个关键字的值节点的值打印出来。

public static void extractKeyWordText(String url, String keyword)

该方法生成针对 String 类型的 url 变量表明的某个特定网页的解析器，调用 1中的方法实现简单的遍历。

清单 3 的代码展现了如何迭代全部的网页，更多的工做能够在此基础上展开。好比找到某个特定的网页内部节点，其实就能够在遍历全部的节点基础上来判断，看被迭代的节点是否知足特定的须要。

使用 NodeFilter

NodeFilter 是一个接口，任何一个自定义的 Filter 都须要实现这个接口中的 boolean accept() 方法。若是但愿迭代网页节点的时候保留当前节点，则在节点条件知足的状况下返回 true；不然返回 false。HtmlParse 里提供了不少实现了 NodeFilter 接口的类，下面就一些笔者所用到的，以及经常使用的 Filter 作一些介绍：

对 Filter 作逻辑操做的 Fitler 有：AndFilter，NotFilter ，OrFilter，XorFilter。

这些 Filter 来组合不一样的 Filter，造成知足两个 Filter 逻辑关系结果的 Filter。

判断节点的孩子，兄弟，以及父亲节点状况的 Filter 有：HasChildFilter HasParentFilter，HasSiblingFilter。
判断节点自己状况的 Filter 有 HasAttributeFilter：判读节点是否有特定属性；LinkStringFilter：判断节点是不是具备特定模式 (pattern) url 的节点；

TagNameFilter：判断节点是否具备特定的名字；NodeClassFilter：判读节点是不是某个 HtmlParser 定义好的 Tag 类型。在 org.htmlparser.tags 包下有对应 Html标签的各类 Tag，例如 LinkTag，ImgeTag 等。

还有其余的一些 Filter 在这里不一一列举了，能够在 org.htmlparser.filters 下找到。

清单 4 展现了如何使用上面提到过的一些 filter 来抽取网页中的 <a> 标签里的 href属性值，<img> 标签里的 src 属性值，以及 <frame> 标签里的 src 的属性值。

清单4

// 获取一个网页上全部的连接和图片连接
    public static void extracLinks(String url) {
        try {
            Parser parser = new Parser(url);
            parser.setEncoding("gb2312");
//过滤 <frame> 标签的 filter，用来提取 frame 标签里的 src 属性所、表示的连接
            NodeFilter frameFilter = new NodeFilter() {
                public boolean accept(Node node) {
                    if (node.getText().startsWith("frame src=")) {
                        return true;
                    } else {
                        return false;
                    }
                }
            };
//OrFilter 来设置过滤 <a> 标签，<img> 标签和 <frame> 标签，三个标签是 or 的关系
     OrFilte rorFilter = new OrFilter(new NodeClassFilter(LinkTag.class), new 
NodeClassFilter(ImageTag.class));
     OrFilter linkFilter = new OrFilter(orFilter, frameFilter);
    //获得全部通过过滤的标签
    NodeList list = parser.extractAllNodesThatMatch(linkFilter);
    for (int i = 0; i < list.size(); i++) {
        Node tag = list.elementAt(i);
        if (tag instanceof LinkTag)//<a> 标签 
        {
            LinkTag link = (LinkTag) tag;
            String linkUrl = link.getLink();//url
            String text = link.getLinkText();//连接文字
            System.out.println(linkUrl + "**********" + text);
        }
        else if (tag instanceof ImageTag)//<img> 标签
        {
            ImageTag image = (ImageTag) list.elementAt(i);
            System.out.print(image.getImageURL() + "********");//图片地址
            System.out.println(image.getText());//图片文字
        }
        else//<frame> 标签
        {
//提取 frame 里 src 属性的连接如 <frame src="test.html"/>
            String frame = tag.getText();
            int start = frame.indexOf("src=");
            frame = frame.substring(start);
            int end = frame.indexOf(" ");
            if (end == -1)
                end = frame.indexOf(">");
            frame = frame.substring(5, end - 1);
            System.out.println(frame);
        }
    }
} catch (ParserException e) {
            e.printStackTrace();
}
}

简单强大的 StringBean

若是你想要网页中去掉全部的标签后剩下的文本，那就是用 StringBean 吧。如下简单的代码能够帮你解决这样的问题：

清单5

StringBean sb = new StringBean();
sb.setLinks(false);//设置结果中去点连接
sb.setURL(url);//设置你所须要滤掉网页标签的页面 url
System.out.println(sb.getStrings());//打印结果

HtmlParser 提供了强大的类库来处理网页，因为本文旨在简单的介绍，所以只是将与笔者后续爬虫部分有关的关键类库进行了示例说明。感兴趣的读者能够专门来研究一下 HtmlParser 更为强大的类库。

简易爬虫的实现

HttpClient 提供了便利的 HTTP 协议访问，使得咱们能够很容易的获得某个网页的源码并保存在本地；HtmlParser 提供了如此简便灵巧的类库，能够从网页中便捷的提取出指向其余网页的超连接。笔者结合这两个开源包，构建了一个简易的网络爬虫。

爬虫 (Crawler) 原理

学过数据结构的读者都知道有向图这种数据结构。以下图所示，若是将网页当作是图中的某一个节点，而将网页中指向其余网页的连接当作是这个节点指向其余节点的边，那么咱们很容易将整个 Internet 上的网页建模成一个有向图。理论上，经过遍历算法遍历该图，能够访问到Internet 上的几乎全部的网页。最简单的遍历就是宽度优先以及深度优先。如下笔者实现的简易爬虫就是使用了宽度优先的爬行策略。

图 2. 网页关系的建模图

简易爬虫实现流程

在看简易爬虫的实现代码以前，先介绍一下简易爬虫爬取网页的流程。

图 3. 爬虫流程图

各个类的源码以及说明

对应上面的流程图，简易爬虫由下面几个类组成，各个类职责以下：

Crawler.java：爬虫的主方法入口所在的类，实现爬取的主要流程。

LinkDb.java：用来保存已经访问的 url 和待爬取的 url 的类，提供url出对入队操做。

Queue.java：实现了一个简单的队列，在 LinkDb.java 中使用了此类。

FileDownloader.java：用来下载 url 所指向的网页。

HtmlParserTool.java：用来抽取出网页中的连接。

LinkFilter.java：一个接口，实现其 accept() 方法用来对抽取的连接进行过滤。

下面是各个类的源码，代码中的注释有比较详细的说明。

清单6 Crawler.java

package com.ie;

import java.util.Set;
public class Crawler {
    /* 使用种子 url 初始化 URL 队列*/
    private void initCrawlerWithSeeds(String[] seeds)
    {
        for(int i=0;i<seeds.length;i++)
            LinkDB.addUnvisitedUrl(seeds[i]);
    }
    
    /* 爬取方法*/
    public void crawling(String[] seeds)
    {
        LinkFilter filter = new LinkFilter(){
            //提取以 http://www.twt.edu.cn 开头的连接
            public boolean accept(String url) {
                if(url.startsWith("http://www.twt.edu.cn"))
                    return true;
                else
                    return false;
            }
        };
        //初始化 URL 队列
        initCrawlerWithSeeds(seeds);
        //循环条件：待抓取的连接不空且抓取的网页很少于 1000
        while(!LinkDB.unVisitedUrlsEmpty()&&LinkDB.getVisitedUrlNum()<=1000)
        {
            //队头 URL 出对
            String visitUrl=LinkDB.unVisitedUrlDeQueue();
            if(visitUrl==null)
                continue;
            FileDownLoader downLoader=new FileDownLoader();
            //下载网页
            downLoader.downloadFile(visitUrl);
            //该 url 放入到已访问的 URL 中
            LinkDB.addVisitedUrl(visitUrl);
            //提取出下载网页中的 URL
            
            Set<String> links=HtmlParserTool.extracLinks(visitUrl,filter);
            //新的未访问的 URL 入队
            for(String link:links)
            {
                    LinkDB.addUnvisitedUrl(link);
            }
        }
    }
    //main 方法入口
    public static void main(String[]args)
    {
        Crawler crawler = new Crawler();
        crawler.crawling(new String[]{"http://www.twt.edu.cn"});
    }
}

清单7 LinkDb.java

package com.ie;

import java.util.HashSet;
import java.util.Set;

/**
 * 用来保存已经访问过 Url 和待访问的 Url 的类
 */
public class LinkDB {

    //已访问的 url 集合
    private static Set<String> visitedUrl = new HashSet<String>();
    //待访问的 url 集合
    private static Queue<String> unVisitedUrl = new Queue<String>();

    
    public static Queue<String> getUnVisitedUrl() {
        return unVisitedUrl;
    }

    public static void addVisitedUrl(String url) {
        visitedUrl.add(url);
    }

    public static void removeVisitedUrl(String url) {
        visitedUrl.remove(url);
    }

    public static String unVisitedUrlDeQueue() {
        return unVisitedUrl.deQueue();
    }

    // 保证每一个 url 只被访问一次
    public static void addUnvisitedUrl(String url) {
        if (url != null && !url.trim().equals("")
 && !visitedUrl.contains(url)
                && !unVisitedUrl.contians(url))
            unVisitedUrl.enQueue(url);
    }

    public static int getVisitedUrlNum() {
        return visitedUrl.size();
    }

    public static boolean unVisitedUrlsEmpty() {
        return unVisitedUrl.empty();
    }
}

清单8 Queue.java

package com.ie;

import java.util.LinkedList;
/**
 * 数据结构队列
 */
public class Queue<T> {

    private LinkedList<T> queue=new LinkedList<T>();
    
    public void enQueue(T t)
    {
        queue.addLast(t);
    }
    
    public T deQueue()
    {
        return queue.removeFirst();
    }
    
    public boolean isQueueEmpty()
    {
        return queue.isEmpty();
    }
    
    public boolean contians(T t)
    {
        return queue.contains(t);
    }
    
    public boolean empty()
    {
        return queue.isEmpty();
    }
}

清单 9 FileDownLoader.java

package com.ie;

import java.io.DataOutputStream;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import org.apache.commons.httpclient.DefaultHttpMethodRetryHandler;
import org.apache.commons.httpclient.HttpClient;
import org.apache.commons.httpclient.HttpException;
import org.apache.commons.httpclient.HttpStatus;
import org.apache.commons.httpclient.methods.GetMethod;
import org.apache.commons.httpclient.params.HttpMethodParams;

public class FileDownLoader {
    
    /**根据 url 和网页类型生成须要保存的网页的文件名
     *去除掉 url 中非文件名字符 
     */
    public  String getFileNameByUrl(String url,String contentType)
    {
        url=url.substring(7);//remove http://
        if(contentType.indexOf("html")!=-1)//text/html
        {
            url= url.replaceAll("[\\?/:*|<>\"]", "_")+".html";
            return url;
        }
        else//如application/pdf
        {
return url.replaceAll("[\\?/:*|<>\"]", "_")+"."+ \
          contentType.substring(contentType.lastIndexOf("/")+1);
        }    
    }

    /**保存网页字节数组到本地文件
     * filePath 为要保存的文件的相对地址
     */
    private void saveToLocal(byte[] data,String filePath)
    {
        try {
            DataOutputStream out=new DataOutputStream(
new FileOutputStream(new File(filePath)));
            for(int i=0;i<data.length;i++)
            out.write(data[i]);
            out.flush();
            out.close();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    /*下载 url 指向的网页*/
    public String  downloadFile(String url)
    {
          String filePath=null;
          /* 1.生成 HttpClinet 对象并设置参数*/
          HttpClient httpClient=new HttpClient();
          //设置 Http 链接超时 5s
                httpClient.getHttpConnectionManager().getParams().
setConnectionTimeout(5000);
          
          /*2.生成 GetMethod 对象并设置参数*/
          GetMethod getMethod=new GetMethod(url);     
          //设置 get 请求超时 5s
          getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT,5000);
          //设置请求重试处理
          getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,
            new DefaultHttpMethodRetryHandler());
          
          /*3.执行 HTTP GET 请求*/
          try{ 
              int statusCode = httpClient.executeMethod(getMethod);
              //判断访问的状态码
              if (statusCode != HttpStatus.SC_OK) 
              {
System.err.println("Method failed: "+ getMethod.getStatusLine());
                  filePath=null;
              }
              
              /*4.处理 HTTP 响应内容*/
 byte[] responseBody = getMethod.getResponseBody();//读取为字节数组
              //根据网页 url 生成保存时的文件名
filePath="temp\\"+getFileNameByUrl(url,
           getMethod.getResponseHeader("Content-Type").getValue());
            saveToLocal(responseBody,filePath);
          } catch (HttpException e) {
                   // 发生致命的异常，多是协议不对或者返回的内容有问题
                   System.out.println("Please check your provided http 
address!");
                   e.printStackTrace();
                  } catch (IOException e) {
                   // 发生网络异常
                   e.printStackTrace();
                  } finally {
                   // 释放链接
                   getMethod.releaseConnection();           
                  }
                  return filePath;
    }
    //测试的 main 方法
    public static void main(String[]args)
    {
        FileDownLoader downLoader = new FileDownLoader();
        downLoader.downloadFile("http://www.twt.edu.cn");
    }
}

清单 10 HtmlParserTool.java

package com.ie;

import java.util.HashSet;
import java.util.Set;

import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.filters.NodeClassFilter;
import org.htmlparser.filters.OrFilter;
import org.htmlparser.tags.LinkTag;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;

public class HtmlParserTool {
    // 获取一个网站上的连接,filter 用来过滤连接
    public static Set<String> extracLinks(String url,LinkFilter filter) {

        Set<String> links = new HashSet<String>();
        try {
            Parser parser = new Parser(url);
            parser.setEncoding("gb2312");
            // 过滤 <frame >标签的 filter，用来提取 frame 标签里的 src 属性所表示的连接
            NodeFilter frameFilter = new NodeFilter() {
                public boolean accept(Node node) {
                    if (node.getText().startsWith("frame src=")) {
                        return true;
                    } else {
                        return false;
                    }
                }
            };
            // OrFilter 来设置过滤 <a> 标签，和 <frame> 标签
            OrFilter linkFilter = new OrFilter(new NodeClassFilter(
                    LinkTag.class), frameFilter);
            // 获得全部通过过滤的标签
            NodeList list = parser.extractAllNodesThatMatch(linkFilter);
            for (int i = 0; i < list.size(); i++) {
                Node tag = list.elementAt(i);
                if (tag instanceof LinkTag)// <a> 标签
                {
                    LinkTag link = (LinkTag) tag;
                    String linkUrl = link.getLink();// url
                    if(filter.accept(linkUrl))
                        links.add(linkUrl);
                } else// <frame> 标签
                {
                // 提取 frame 里 src 属性的连接如 <frame src="test.html"/>
                    String frame = tag.getText();
                    int start = frame.indexOf("src=");
                    frame = frame.substring(start);
                    int end = frame.indexOf(" ");
                    if (end == -1)
                        end = frame.indexOf(">");
                    String frameUrl = frame.substring(5, end - 1);
                    if(filter.accept(frameUrl))
                        links.add(frameUrl);
                }
            }
        } catch (ParserException e) {
            e.printStackTrace();
        }
        return links;
    }
    //测试的 main 方法
    public static void main(String[]args)
    {
Set<String> links = HtmlParserTool.extracLinks(
"http://www.twt.edu.cn",new LinkFilter()
        {
            //提取以 http://www.twt.edu.cn 开头的连接
            public boolean accept(String url) {
                if(url.startsWith("http://www.twt.edu.cn"))
                    return true;
                else
                    return false;
            }
            
        });
        for(String link : links)
            System.out.println(link);
    }
}

清单11 LinkFilter.java

package com.ie;

public interface LinkFilter {
    public boolean accept(String url);
}

这些代码中关键的部分都在 HttpClient 和 HtmlParser 介绍中说明过了，其余部分也比较容易，请感兴趣的读者自行理解。

总结

这篇文章主要是介绍与展现了如何使用开源的 HttpClinet 包和 HtmlParser 包，以及结合这二者来给出了一个简易网络爬虫程序的实现，固然这个爬虫与实际真正的爬虫仍是有所差距。因为更多的目的是关注这两个开源包的运用，加上本文篇幅有限，所以，没有对这两个开源包作很是详尽的介绍。但愿这篇文章可以引导读者对 HttpClient 包和 HtmlParser 产生兴趣，从而利用他们构建强大的 JAVA 网络应用程序。

参考资料

学习

Developworks 学习其余关于 HttpClien t和 HtmlParser 的技术文章。
Developworks 其它专区学习更多的最新技术。

得到技术和产品

在 www.eclipse.org 得到免费的 IDE

讨论

在 Developerworks 社区参与更多的讨论