释放双眼，带上耳机，听听看~！
为实现高性能的网络爬虫，首先考虑采用APACE的
HttpClient
进行页面的采集和解析，
HttpClient
可以很方便的通过
URL
获得远程内容，例如一个小程序：
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
2 CloseableHttpClienthttp client = HttpClients.createDefault();
3
4
5
6
7
8
9 HttpGet httpget =
10 new
11 HttpGet(
12 "http://localhost/"
13 );
14
15
16
17
18
19
20 CloseableHttpResponse response = httpclient.execute(httpget);
21
22
23
24
25
26
27 try
28
29
30
31
32
33
34 {
35
36
37
38
39
40
41 HttpEntity entity =response.getEntity();
42
43
44
45
46
47
48 if
49 (entity !=
50 null
51 ) {
52
53
54
55
56
57
58 long
59 len =entity.getContentLength();
60
61
62
63
64
65
66 if
67 (len != -
68 1
69 && len <
70 2048
71 ) {
72
73
74
75
76
77
78 System.out.println(EntityUtils.toString(entity));
79
80
81
82
83
84
85 }
86 else
87 {
88
89
90
91
92
93
94
95
96
97
98
99
100 // Stream contentout
101
102
103
104
105
106
107
108
109
110
111
112
113 }
114
115
116
117
118
119
120
121
122
123
124
125
126 }
127
128
129
130
131
132
133 }
134
135
136
137
138
139
140 finally
141 {
142
143
144
145
146
147
148 response.close();
149
150
151
152
153
154
155 }
156
还可以做页面解析和模拟登陆等，功能相当强大。
其次，如果是网络爬虫或者网络采集，可能需要做大量的
URL
地址收集和分析，所以需要通过
NoSQL
数据库来提高执行的效率，Redis、Memcache、BerkeleyDB都是不错的选择。这里选择了
BerkeleyDB
数据库。虽然采用传统队列或其他形式可能性能会更高，但会带来大量的内存消耗，并不一定能找到符合条件的大内存服务器。
然后，对
URL
地址需要进行过滤，判断是否是已读的URL地址，如果已读就存入已读数据库，如果未读则放入未读数据库，有点类似队列的形式，以此避免重复读取URL地址。当然更进一步的需要判断页面内容是否重复，降低读取重复页面的概率。
再然后，对页面进行解析，提取关键内容和
URL
地址。
最后，为了保证性能，采用多线程的实现方式，在多服务器的模式下还可以采用分布式算法来实现更高的性能。
按照上面的思路，写了一个小程序：
1、部分配置信息，以CrawlConfig来做配置，也可以把这些存储为xml文件，这里采集的是163网站
（1）CrawlConfig.java
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
2
3
4
5
6
7 public
8 class
9 CrawlConfig {
10
11
12
13
14
15
16 public
17 static
18 final
19 String CRAWL_PATH =
20 "http://www.163.com"
21 ;
22
23
24
25
26
27
28 public
29 static
30 final
31 String CRAWL_LIMIT_PATH =
32 "http://www.163.com"
33 ;
34
35
36
37
38
39
40 public
41 static
42 final
43 String CRAWL_VISITED_FRONTIER =
44 "d:\\cache\\hevisited"
45 ;
46
47
48
49
50
51
52 public
53 static
54 final
55 String CRAWL_UNVISITED_FRONTIER =
56 "d:\\cache\\heunvisited"
57 ;
58
59
60
61
62
63
64 public
65 static
66 final
67 String CRAWL_DOWNLOAD_PATH =
68 "d:\\download\\163\\"
69 ;
70
71
72
73
74
75
76 public
77 static
78 final
79 int
80 CRAWL_THREAD_NUM =
81 6
82 ;
83
84
85
86
87
88
89
90
91
92
93
94 }
95
（2） CrawlUrl.java作为URL地址的对象，当然除了URL属性外还可以存储其他信息
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
2
3
4
5
6
7 public
8 class
9 CrawlUrl
10 implements
11 Serializable{
12
13
14
15
16
17
18 private
19 static
20 final
21 long
22 serialVersionUID = 79332323432323L;
23
24
25
26
27
28
29
30
31
32
33
34
35 public
36 CrawlUrl() {
37
38
39
40
41
42
43
44
45
46
47
48
49 }
50
51
52
53
54
55
56
57
58
59
60
61
62 private
63 String oriUrl;
64 //原始url
65
66
67
68
69
70
71
72
73
74
75
76
77 private
78 String url;
79 //url地址
80
81
82
83
84
85
86
87
88
89
90
91
92 public
93 String getOriUrl() {
94
95
96
97
98
99
100 return
101 oriUrl;
102
103
104
105
106
107
108 }
109
110
111
112
113
114
115 public
116 void
117 setOriUrl(String oriUrl) {
118
119
120
121
122
123
124 this
125 .oriUrl = oriUrl;
126
127
128
129
130
131
132 }
133
134
135
136
137
138
139 public
140 String getUrl() {
141
142
143
144
145
146
147 return
148 url;
149
150
151
152
153
154
155 }
156
157
158
159
160
161
162 public
163 void
164 setUrl(String url) {
165
166
167
168
169
170
171 this
172 .url = url;
173
174
175
176
177
178
179 }
180
181
182
183
184
185
186
187
188
189
190
191 }
192
（3）LinkFilter.java ，作为URL地址的过滤器
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
2 interface
3 LinkFilter {
4
5
6
7
8
9
10 public
11 boolean
12 accept(String url);
13
14
15
16
17
18 }
19
2
、编写访问
BerkelyDB
的代码（请先安装BerkeleyDB，并引入BerkeleyDB的Je包
（1）AbstractFrontier.java
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
2
3
4
5
6
7 public
8 abstract
9 class
10 AbstractFrontier {
11
12
13
14
15
16
17 private
18 Environment env;
19
20
21
22
23
24
25 private
26 static
27 String CLASS_CATALOG =
28 "java_class_catalog"
29 ;
30
31
32
33
34
35
36 protected
37 StoredClassCatalog javaCatalog;
38
39
40
41
42
43
44 protected
45 Database catalogdatabase;
46
47
48
49
50
51
52 protected
53 static
54 Database database =
55 null
56 ;
57
58
59
60
61
62
63 protected
64 String homeDirectory =
65 null
66 ;
67
68
69
70
71
72
73
74
75
76
77
78
79 public
80 AbstractFrontier(String homeDirectory)
81 throws
82 DatabaseException,
83
84
85
86
87
88
89 FileNotFoundException {
90
91
92
93
94
95
96 this
97 .homeDirectory = homeDirectory;
98
99
100
101
102
103
104 System.out.println(
105 "open environment: "
106 + homeDirectory);
107
108
109
110
111
112
113 //设置环境参数，打开env
114
115
116
117
118
119
120 EnvironmentConfig envConfig =
121 new
122 EnvironmentConfig();
123
124
125
126
127
128
129 envConfig.setTransactional(
130 true
131 );
132
133
134
135
136
137
138 envConfig.setAllowCreate(
139 true
140 );
141
142
143
144
145
146
147 env =
148 new
149 Environment(
150 new
151 File(homeDirectory), envConfig);
152
153
154
155
156
157
158 //设置数据库参数
159
160
161
162
163
164
165 DatabaseConfig dbConfig =
166 new
167 DatabaseConfig();
168
169
170
171
172
173
174 dbConfig.setTransactional(
175 true
176 );
177
178
179
180
181
182
183 dbConfig.setAllowCreate(
184 true
185 );
186
187
188
189
190
191
192 //打开数据库
193
194
195
196
197
198
199 catalogdatabase = env.openDatabase(
200 null
201 , CLASS_CATALOG, dbConfig);
202
203
204
205
206
207
208 javaCatalog =
209 new
210 StoredClassCatalog(catalogdatabase);
211
212
213
214
215
216
217 //设置参数
218
219
220
221
222
223
224 DatabaseConfig dbConfigTe =
225 new
226 DatabaseConfig();
227
228
229
230
231
232
233 dbConfigTe.setTransactional(
234 true
235 );
236
237
238
239
240
241
242 dbConfigTe.setAllowCreate(
243 true
244 );
245
246
247
248
249
250
251 //打开数据库
252
253
254
255
256
257
258 database = env.openDatabase(
259 null
260 ,
261 "URL"
262 , dbConfig);
263
264
265
266
267
268
269 }
270
271
272
273
274
275
276
277
278
279
280
281
282 public
283 void
284 close()
285 throws
286 DatabaseException {
287
288
289
290
291
292
293 database.close();
294
295
296
297
298
299
300 javaCatalog.close();
301
302
303
304
305
306
307 env.close();
308
309
310
311
312
313
314 }
315
316
317
318
319
320
321
322
323
324
325
326
327 protected
328 abstract
329 void
330 put(Object key, Object value);
331
332
333
334
335
336
337
338
339
340
341
342
343 protected
344 abstract
345 Object get(Object key);
346
347
348
349
350
351
352
353
354
355
356
357
358 protected
359 abstract
360 Object delete(Object key);
361
362
363
364
365
366 }
367
（2）Frontier.java
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
2
3
4
5
6
7 public
8 interface
9 Frontier {
10
11
12
13
14
15
16 public
17 CrawlUrl getNext()
18 throws
19 Exception;
20
21
22
23
24
25
26 public
27 boolean
28 putUrl(CrawlUrl url)
29 throws
30 Exception;
31
32
33
34
35
36
37
38
39
40
41
42 }
43
（3）考虑到并发的BDBFrontier.java
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
1001
1002
1003
1004
1005
1006
1007
1008
1009
1010
1011
1012
1013
1014
1015
1016
1017
1018
1019
1020
1021
1022
1023
1024
1025
1026
1027
1028
1029
1030
1031
1032
1033
1034
1035
1036
1037
1038
1039
1040
1041
1042
1043
1044
1045
1046
1047
1048
1049
1050
1051
1052
1053
1054
1055
1056
1057
1058
1059
1060
1061
1062
1063
1064
1065
1066
1067
1068
1069
1070
1071
1072
1073
1074
1075
1076
1077
1078
1079
1080
1081
1082
1083
1084
1085
1086
1087
1088
1089
1090
1091
1092
1093
1094
1095
1096
1097
1098
1099
1100
1101
1102
1103
1104
1105
1106
1107
1108
1109
1110
1111
1112
1113
1114
1115
1116
1117
1118
1119
1120
1121
1122
1123
1124
1125
1126
1127
2
3
4
5
6
7 public
8 class
9 BDBFrontier
10 extends
11 AbstractFrontier
12 implements
13 Frontier{
14
15
16
17
18
19
20 private
21 StoredMap pendingUrisDB =
22 null
23 ;
24
25
26
27
28
29
30 public
31 static
32 int
33 threads = CrawlConfig.CRAWL_THREAD_NUM;
34
35
36
37
38
39
40
41
42
43
44
45
46 /**
47
48
49
50
51
52
53 * Creates a new instance of BDBFrontier.
54
55
56
57
58
59
60 *
61
62
63
64
65
66
67 * @param homeDirectory
68
69
70
71
72
73
74 * @throws DatabaseException
75
76
77
78
79
80
81 * @throws FileNotFoundException
82
83
84
85
86
87
88 */
89
90
91
92
93
94
95
96
97
98
99
100
101 public
102 BDBFrontier(String homeDirectory)
103 throws
104 DatabaseException,
105
106
107
108
109
110
111 FileNotFoundException {
112
113
114
115
116
117
118 super
119 (homeDirectory);
120
121
122
123
124
125
126 EntryBinding keyBinding =
127 new
128 SerialBinding(javaCatalog, String.
129 class
130 );
131
132
133
134
135
136
137 EntryBinding valueBinding =
138 new
139 SerialBinding(javaCatalog, CrawlUrl.
140 class
141 );
142
143
144
145
146
147
148 pendingUrisDB =
149 new
150 StoredMap(database, keyBinding, valueBinding,
151 true
152 );
153
154
155
156
157
158
159 }
160
161
162
163
164
165
166
167
168
169
170
171
172 /**
173
174
175
176
177
178
179 *
180
181
182
183
184
185
186 * clearAll:
187
188
189
190
191
192
193 * 清除数据库
194
195
196
197
198
199
200 *
201
202
203
204
205
206
207 * @param 参数
208
209
210
211
212
213
214 * @return void 返回值
215
216
217
218
219
220
221 * @throws
222
223
224
225
226
227
228 *
229
230
231
232
233
234
235 */
236
237
238
239
240
241
242 public
243 void
244 clearAll() {
245
246
247
248
249
250
251 if
252 (!pendingUrisDB.isEmpty())
253
254
255
256
257
258
259 pendingUrisDB.clear();
260
261
262
263
264
265
266 }
267
268
269
270
271
272
273 /**
274
275
276
277
278
279
280 * 获得下一条记录
281
282
283
284
285
286
287 * @see com.fc.frontier.Frontier#getNext()
288
289
290
291
292
293
294 */
295
296
297
298
299
300
301 @Override
302
303
304
305
306
307
308 public
309 synchronized
310 CrawlUrl getNext()
311 throws
312 Exception {
313
314
315
316
317
318
319 CrawlUrl result =
320 null
321 ;
322
323
324
325
326
327
328 while
329 (
330 true
331 ) {
332
333
334
335
336
337
338 if
339 (!pendingUrisDB.isEmpty()) {
340
341
342
343
344
345
346 Set entrys = pendingUrisDB.entrySet();
347
348
349
350
351
352
353
354
355
356
357
358
359 Entry<String, CrawlUrl> entry = (Entry<String,
360
361
362
363
364
365 CrawlUrl>) pendingUrisDB.entrySet().iterator().next();
366
367
368
369
370
371
372 result = entry.getValue();
373 //下一条记录
374
375
376
377
378
379
380 delete(entry.getKey());
381 //删除当前记录
382
383
384
385
386
387
388 System.out.println(
389 "get:"
390 + homeDirectory + entrys);
391
392
393
394
395
396
397 return
398 result;
399
400
401
402
403
404
405 }
406
407
408
409
410
411
412 else
413 {
414
415
416
417
418
419
420 threads --;
421
422
423
424
425
426
427 if
428 (threads >
429 0
430 ) {
431
432
433
434
435
436
437 wait();
438
439
440
441
442
443
444 threads ++;
445
446
447
448
449
450
451 }
452
453
454
455
456
457
458 else
459 {
460
461
462
463
464
465
466 notifyAll();
467
468
469
470
471
472
473 return
474 null
475 ;
476
477
478
479
480
481
482 }
483
484
485
486
487
488
489 }
490
491
492
493
494
495
496 }
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521 }
522
523
524
525
526
527
528 /**
529
530
531
532
533
534
535 * 存入url
536
537
538
539
540
541
542 * @see com.fc.frontier.Frontier#putUrl(com.fc.CrawlUrl)
543
544
545
546
547
548
549 */
550
551
552
553
554
555
556 @Override
557
558
559
560
561
562
563 public
564 synchronized
565 boolean
566 putUrl(CrawlUrl url)
567 throws
568 Exception {
569
570
571
572
573
574
575 if
576 (url.getOriUrl() !=
577 null
578 && !url.getOriUrl().equals(
579 ""
580 )
581
582
583
584
585
586
587 && !pendingUrisDB.containsKey(url.getOriUrl()))
588
589
590
591
592
593
594 {
595
596
597
598
599
600
601 Set entrys = pendingUrisDB.entrySet();
602
603
604
605
606
607
608
609
610
611
612
613
614 put(url.getOriUrl(), url);
615
616
617
618
619
620
621 notifyAll();
622
623
624
625
626
627
628 System.out.println(
629 "put:"
630 + homeDirectory + entrys);
631
632
633
634
635
636
637 return
638 true
639 ;
640
641
642
643
644
645
646 }
647
648
649
650
651
652
653 return
654 false
655 ;
656
657
658
659
660
661
662
663
664
665
666
667
668 }
669
670
671
672
673
674
675
676
677
678
679
680
681 public
682 boolean
683 contains(Object key) {
684
685
686
687
688
689
690 if
691 (pendingUrisDB.containsKey(key))
692
693
694
695
696
697
698 return
699 true
700 ;
701
702
703
704
705
706
707 return
708 false
709 ;
710
711
712
713
714
715
716 }
717
718
719
720
721
722
723 /**
724
725
726
727
728
729
730 * 存入数据库
731
732
733
734
735
736
737 * @see com.fc.frontier.AbstractFrontier#put(java.lang.Object, java.lang.Object)
738
739
740
741
742
743
744 */
745
746
747
748
749
750
751 @Override
752
753
754
755
756
757
758 protected
759 synchronized
760 void
761 put(Object key, Object value) {
762
763
764
765
766
767
768 pendingUrisDB.put(key, value);
769
770
771
772
773
774
775
776
777
778
779
780
781 }
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800 /**
801
802
803
804
805
806
807 * 从数据库取出
808
809
810
811
812
813
814 * @see com.fc.frontier.AbstractFrontier#get(java.lang.Object)
815
816
817
818
819
820
821 */
822
823
824
825
826
827
828 @Override
829
830
831
832
833
834
835 protected
836 synchronized
837 Object get(Object key) {
838
839
840
841
842
843
844 return
845 pendingUrisDB.get(key);
846
847
848
849
850
851
852 }
853
854
855
856
857
858
859 /**
860
861
862
863
864
865
866 * 删除
867
868
869
870
871
872
873 * @see com.fc.frontier.AbstractFrontier#delete(java.lang.Object)
874
875
876
877
878
879
880 */
881
882
883
884
885
886
887 @Override
888
889
890
891
892
893
894 protected
895 synchronized
896 Object delete(Object key) {
897
898
899
900
901
902
903 return
904 pendingUrisDB.remove(key);
905
906
907
908
909
910
911 }
912
913
914
915
916
917
918
919
920
921
922
923
924 /**
925
926
927
928
929
930
931 *
932
933
934
935
936
937
938 * calculateUrl:
939
940
941
942
943
944
945 * 对Url进行计算，可以用压缩算法
946
947
948
949
950
951
952 *
953
954
955
956
957
958
959 * @param 参数
960
961
962
963
964
965
966 * @return String 返回值
967
968
969
970
971
972
973 * @throws
974
975
976
977
978
979
980 *
981
982
983
984
985
986
987 */
988
989
990
991
992
993
994 private
995 String calculateUrl(String url) {
996
997
998
999
1000
1001
1002 return
1003 url;
1004
1005
1006
1007
1008
1009
1010 }
1011
1012
1013
1014
1015
1016
1017
1018
1019
1020
1021
1022
1023 public
1024 static
1025 void
1026 main(String[] strs) {
1027
1028
1029
1030
1031
1032
1033 try
1034 {
1035
1036
1037
1038
1039
1040
1041 BDBFrontier bdbFrontier =
1042 new
1043 BDBFrontier(
1044 "d:\\cache"
1045 );
1046
1047
1048
1049
1050
1051
1052 CrawlUrl url =
1053 new
1054 CrawlUrl();
1055
1056
1057
1058
1059
1060
1061 url.setOriUrl(
1062 "http://www.163.com"
1063 );
1064
1065
1066
1067
1068
1069
1070 bdbFrontier.putUrl(url);
1071
1072
1073
1074
1075
1076
1077
1078
1079
1080
1081
1082
1083 System.out.println(((CrawlUrl)bdbFrontier.getNext()).getOriUrl());
1084
1085
1086
1087
1088
1089
1090 bdbFrontier.close();
1091
1092
1093
1094
1095
1096
1097 }
1098 catch
1099 (Exception e) {
1100
1101
1102
1103
1104
1105
1106 e.printStackTrace();
1107
1108
1109
1110
1111
1112
1113 }
1114
1115
1116
1117
1118
1119
1120 }
1121
1122
1123
1124
1125
1126 }
1127
3、核心部分：包括了URL获取、页面解析、页面下载，页面的解析和下载会比较消耗时间。
（1）RetievePage.java，实现了URL访问和页面的下载
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
2
3
4
5
6
7 public
8 class
9 RetrievePage {
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28 private
29 static
30 String USER_AGENT = "Mozilla/
31 4.0
32 (compatible; MSIE
33 6.0
34 ;
35
36
37
38
39
40
41 Windows NT
42 5.1
43 ; SV1; QQDownload
44 1.7
45 ; .NET CLR
46 1.1
47 .
48 4322
49 ; CIBA; .NET CLR
50
51
52
53
54
55 2.0
56 .
57 50727
58 ";
59
60
61
62
63
64
65 private
66 static
67 String DEFAULT_CHARSET =
68 "GB2312,utf-8;q=0.7,*;q=0.7"
69 ;
70
71
72
73
74
75
76 private
77 static
78 String ACCEPT =
79 "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8"
80 ;
81
82
83
84
85
86
87
88
89
90
91
92
93 /**
94
95
96
97
98
99
100 * 下载文件
101
102
103
104
105
106
107 * @param path
108
109
110
111
112
113
114 * @return
115
116
117
118
119
120
121 * @throws Exception
122
123
124
125
126
127
128 * @throws IOException
129
130
131
132
133
134
135 */
136
137
138
139
140
141
142 public
143 static
144 boolean
145 downloadPage(String path)
146 throws
147 Exception,IOException
148
149
150
151
152
153
154 {
155
156
157
158
159
160
161 CloseableHttpClient httpclient = HttpClients.createDefault();
162
163
164
165
166
167
168 HttpGet httpget =
169 new
170 HttpGet(path);
171
172
173
174
175
176
177
178
179
180
181
182
183 httpget.addHeader(
184 "Accept-Charset"
185 , DEFAULT_CHARSET);
186
187
188
189
190
191
192 // httpget.addHeader("Host", host);
193
194
195
196
197
198
199 httpget.addHeader(
200 "Accept"
201 , ACCEPT);
202
203
204
205
206
207
208 httpget.addHeader(
209 "User-Agent"
210 , USER_AGENT);
211
212
213
214
215
216
217
218
219
220
221
222
223 RequestConfig requestConfig = RequestConfig.custom()
224 //设置超时
225
226
227
228
229
230
231 .setSocketTimeout(
232 1000
233 )
234
235
236
237
238
239
240 .setConnectTimeout(
241 1000
242 )
243
244
245
246
247
248
249 .build();
250
251
252
253
254
255
256 httpget.setConfig(requestConfig);
257
258
259
260
261
262
263 CloseableHttpResponse response = httpclient.execute(httpget);
264
265
266
267
268
269
270 try
271 {
272
273
274
275
276
277
278 HttpEntity entity = response.getEntity();
279
280
281
282
283
284
285 StatusLine statusLine = response.getStatusLine();
286
287
288
289
290
291
292
293
294
295
296
297
298 if
299 (statusLine.getStatusCode() == HttpStatus.SC_MOVED_PERMANENTLY ||
300 //如果是转移
301
302
303
304
305
306
307 statusLine.getStatusCode() == HttpStatus.SC_MOVED_TEMPORARILY ||
308
309
310
311
312
313
314 statusLine.getStatusCode() == HttpStatus.SC_SEE_OTHER ||
315
316
317
318
319
320
321 statusLine.getStatusCode() == HttpStatus.SC_TEMPORARY_REDIRECT)
322
323
324
325
326
327
328 {
329
330
331
332
333
334
335 Header header = httpget.getFirstHeader(
336 "location"
337 );
338
339
340
341
342
343
344 if
345 (header !=
346 null
347 ){
348
349
350
351
352
353
354 String newUrl = header.getValue();
355
356
357
358
359
360
361 if
362 (newUrl ==
363 null
364 || newUrl.equals(
365 ""
366 ))
367
368
369
370
371
372
373 {
374
375
376
377
378
379
380 newUrl =
381 "/"
382 ;
383
384
385
386
387
388
389 HttpGet redirect =
390 new
391 HttpGet(newUrl);
392
393
394
395
396
397
398 }
399
400
401
402
403
404
405 }
406
407
408
409
410
411
412 }
413
414
415
416
417
418
419 if
420 (statusLine.getStatusCode() == HttpStatus.SC_OK) {
421 //成功访问
422
423
424
425
426
427
428 if
429 (entity ==
430 null
431 ) {
432
433
434
435
436
437
438 throw
439 new
440 ClientProtocolException(
441 "Response contains no content"
442 );
443
444
445
446
447
448
449 }
450
451
452
453
454
455
456 else
457 {
458
459
460
461
462
463
464 InputStream instream = entity.getContent();
465
466
467
468
469
470
471 String filename = getFilenameByUrl(path,entity.getContentType().getValue());
472
473
474
475
476
477
478
479
480
481
482
483
484 OutputStream outstream =
485 new
486
487
488
489
490
491 FileOutputStream(CrawlConfig.CRAWL_DOWNLOAD_PATH +
492
493
494
495
496
497 filename);
498 //存储到磁盘
499
500
501
502
503
504
505 try
506 {
507
508
509
510
511
512
513 //System.out.println(convertStreamToString(instream));
514
515
516
517
518
519
520 int
521 tempByte = -
522 1
523 ;
524
525
526
527
528
529
530 while
531 ((tempByte = instream.read())>
532 0
533 )
534
535
536
537
538
539
540 {
541
542
543
544
545
546
547 outstream.write(tempByte);
548
549
550
551
552
553
554 }
555
556
557
558
559
560
561 return
562 true
563 ;
564
565
566
567
568
569
570 }
571
572
573
574
575
576
577 catch
578 (Exception e){
579
580
581
582
583
584
585 e.printStackTrace();
586
587
588
589
590
591
592 return
593 false
594 ;
595
596
597
598
599
600
601 }
602 finally
603 {
604
605
606
607
608
609
610 if
611 (instream !=
612 null
613 )
614
615
616
617
618
619
620 {
621
622
623
624
625
626
627 instream.close();
628
629
630
631
632
633
634 }
635
636
637
638
639
640
641 if
642 (outstream !=
643 null
644 )
645
646
647
648
649
650
651 {
652
653
654
655
656
657
658 outstream.close();
659
660
661
662
663
664
665 }
666
667
668
669
670
671
672 }
673
674
675
676
677
678
679 }
680
681
682
683
684
685
686 }
687
688
689
690
691
692
693 return
694 false
695 ;
696
697
698
699
700
701
702 }
703 finally
704 {
705
706
707
708
709
710
711 response.close();
712
713
714
715
716
717
718 }
719
720
721
722
723
724
725 }
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744 public
745 static
746
