JAVA技术的网页内容智能抓取.doc

基于JAVA技术的网页内容智能抓取 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： target encode=UTF-8 timeout=8000 multi-url single-url href=/?page=1 / /multi-url wildcard-url href=/?page=(*) startpos=1 endpos=3 / target-regex root=http:// ![CDATA[ href\=\(/blog/\d*)\ ]] /target-regex /target XML规则： 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 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。 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 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。 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CDATA标签内。因为正则包含特殊字符，必须放在CDATA内，否则很可能导致解析错误。 解析过程： 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。 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。 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