Sosoo 1.0网络爬虫程序.doc Sosoo 1.0网络爬虫程序 ---用户开发手册编写人：

文件名称: Sosoo 1.0网络爬虫程序.doc

所属分类: Web开发

开发工具:

文件大小: 39kb

下载次数: 0

上传时间: 2010-12-18

提供者: mfr***

下载 (39kb)

不能下载？报告错误

详细说明： Sosoo 1.0网络爬虫程序 ---用户开发手册编写人：王建华（rimen/jerry）编写目的：基于sosoo定制web spider程序的编程人员。目录一：安装sosoo 2 二：功能定制 2 1．基本功能参数的设置。 2 2．配置机器人对url的检查 3 3：实现文件管理。 4 4．定制html文档下载规则。 4 5．设置对下载后http文档的过滤处理 5 6．启用机器人运行期监控。 5 7．启用对http协议分析的监控。 5 三：sosoo描述 6 四：应用开发指南 6 1．Roboter类，spider程序的主类。 6 2．TaskList接口，解决对处理任务的存储。 7 3．Http客户端实现。 7 4．实现网页存储或处理 7 5．实现运行期的监控 8 五．程序例子 9 六．参考依赖 10 一：安装sosoo sosoo提供的是一个sosoo-core.jar包，其中并没有提供可运行的程序入口。如果要使用可以通过src中的examples进行体验。开发者可以基于在这上开发出基于UI,j2ee等spider程序把sosoo-core包加入到你应用的classpath中。 Sosoo 提供一个线程类的来代表一个机器人com.sosoo.robot.spider. Roboter。通过一个测试类 public static void main(String[] args) throws Exception { Roboter robby = new Roboter(); robby.setStartURL(new URL("http://10.25.101.173:7001/pa18Web/framework/images/framevork_04.gif")); robby.setMaxDepth(0); //设置最大连接访问深度 robby.setSleepTime(0); robby.setWalkToOtherHosts(true); robby.run(); //启动 } 这样就启动了一个spider程序,sosoo将根据你对javaBean参数的设置进行对网络上html 的抓取. 停止机器人. robot.stopRobot(); 二：功能定制 Sosoo利用回调的方式实现了aop，用户可以通过回调的方式注入javaBean对象，以实现其外部功能 1．基本功能参数的设置。基本功能指： roboter的原生类型参数（或String），例如：startURL，maxDepth等。设置开始处理的url【startURL】：必须参数，roboter会根据这个地址开始在网络上进行查找。 robby.setStartURL(URL url)；设置从开始路径能找的最大深度【maxDepth】：程序会判断当前处理的链接深度是否超过最大链接深度，如果超过这个链接将忽略，当然你可以通过设置depthIsEffect来屏蔽这个功能。默认值为1。 robby.setMaxDepth(0); 设置处理文档的时间间隔【sleepTime】：当处理完一个url时，设置这个间隔时间处理下一个url。单位为s，默认值为60，推荐使用5s。 robby.setSleepTime(0); 设置http连接超时时间：在连接服务器时，可能由于网络或者本身服务的原因，可能会出现超时的情况，通过设置超时时间来限制对某个url连接的最大时间，这样就可以提高处理的速度，但是如果这个值设置太小，可能很多连接都会连接不到，建议使用大于30的值，默认为60s。 robby.setUrlConnectTimeOut(30); 停止robby线程【stopIt】：你可以通过对robby对象进行操作来停止当前的线程。 robby.stopRobot(); 暂停robby线程【sleep】：可以对当前运行的robby线程进行暂停。 robby.setSleep(true); 2．配置机器人对url的检查 sosoo spider会根据用户的设置把收集到url列表中过滤掉不符合条件的url。过滤的顺序：walkToOtherHosts-allowWholeHost-flexibleHostCheck- allowWholeDomain-用户提供url列表。设置是否访问其他的主机【walkToOtherHosts】：如果你需要进行整个互联网的搜索，而不限于你开始提供的url中的主机，把这个参数设置为true。默认为false。 robby.setWalkToOtherHosts(true); 设置是否访问本主机【allowWholeHost】：如果你只想要对开始url代表的主机进行访问，你可以通过设置这个参数进行过滤url。 robby.setAllowWholeHost(true); 设置非www开始的主机【flexibleHostCheck】：当你提供的开始url，不是以www开头，你可以通过设置flexibleHostCheck参数来达到访问本主机的目的。 robby.setFlexibleHostCheck(true); 设置是否访问本域【allowWholeDomain】：如果你只想要对开始url代表的域进行访问，你可以通过设置下面这个参数进行过滤url。 robby.setAllowWholeDomain(true); 设置要访问的url列表【allowedURLs】：这是一个Vector类型的变量，用户可以把这些url放在配置文件中，用户可以在运行时提供这个变量。 robby.setAllowedURLs(allowed)；定制url检查规则【URLCheck】：用户除了通过上面的规则进行url过滤，用户还可以通过实现urlCheck接口来进行url检测。系统已经提供了RegExpURLCheck实现。提供对properties文件的支持。 robby.setURLCheck(check); 设置是否要找网站跟目录下的/robot.txt文件【ignoreRobotsTxt】：用户可以通过设置这个值来忽略网站提供对robot的支持。默认为false robby.setIgnoreRobotsTxt(true); 设置url可以重复访问【visitMany】：系统提供了一个访问过的列表缓存，当spider程序发现这个url已经访问过，他将不进行这个url的处理。可以通过这个参数来定制可以重复访问的url列表，这是一个Vector类型。 robby.setVisitMany(visitMany); 设置spider客户端的【proxy】：spider可以通过代理连接internate，但是目前只支持匿名的代理服务器。 robby.setProxy("10.16.111.5:80"); 3：实现文件管理。 Spider程序下载url对应的html文档的时候，系统提供一个回调接口HttpDocManager。你可以通过的持接口的实现，把spider获得html数据进行存储，例如你可以把这些文件以文本流存入数据库，存入文件系统等。系统提供了HttpDocToFile实现，把下载的文件存入文件系统。你可以在启动spider程序的时候通过robby.setDocManager(dm);进行注入管理对象。 4．定制html文档下载规则。当你对各种html文件的格式处理有要求的时候，例如你觉得下载exe,rar文件比较慢的时候，你可以通过自己的需求定制下载规则。通过实现HttpDownloadCheck 接口可以设定下载的规则。 DownloadRuleSet rules=new DownloadRuleSet("downrules.properties"); robby.setDownloadRuleSet(rules); 系统已经提供了DownloadRuleSet实现，这个是想通过classpath properties来定义下载规则. 文件的内容： # the file must contain two field,allow[deny] and MIME Type/sub type # allow stand for if the doc match the conditions,will down the file # deny stand for if the doc match the conditions,will not down the file # < size ,express the doc content byte size is smaller than the value # > size ,express the doc contact byte size is larger than the value # can't hold out the >= or <= # the scope of size is optional. allow image/gif <100000 >10000000 deny image/gif <100000 >10000000 当然你可以自定义自己的实现，只要实现HttpDownloadCheck的boolean downloadAllowed(Vector httpHeaders) ;方法。注意：如果这个文档没有下载，这个文档中的连接将不能进行处理，所以一般不建议过滤掉text/html. 5．设置对下载后http文档的过滤处理下载文档后，用户可以对这个doc对象进行一系列的处理。Spider提供了一个 FilterChain类。用户可以把自己过滤器加入FilterChain中。你可以实现DocumentFilter接口定制自己的功能，系统实现提供了一个LinkLocalizer实现，用于替换相对连接。 FilterChain filters=new FilterChain(); DocumentFilter filter=new LinkLocalizer(); filters.add(filter); robby.setFilters(filters); 6．启用机器人运行期监控。当启动spider程序后，程序利用回调接口提供给用户运行期的状态。例如你要要显示机器人对应的处理过的任务，处理中的任务，处理是的状态。通过实现RobotCallback接口来实现，当然你也可以直接取roboter对象的属性来监控。系统提供RobotMonitor实现，用户打印在cosole上运行期的状态。 RobotCallback m Monitor(); robby.setWebRobotCallback(monitor); 7．启用对http协议分析的监控。 Spdier循环处理缓存中未处理的url，对于每个url的处理，系统提供一些监控方法。当然你只要实现HttpToolCallback接口。系统提供了SystemOutHttpToolCallback实现。 HttpToolCallback toolM SystemOutHttpToolCallback(); robby.setHttpToolCallback(toolMonitor); 三：sosoo描述 Sosoo是参考jobo提供的核心算法。利用对访问的历史记录存储来替换spider的递归算法。在处理的效率上有不错的体验，但是它也是牺牲存储为代价的。在程序启动是，系统将建立两个Vector数组对访问url进行记录。因此sosoo并不使用于大数据量信息抓取，但是对于行业网站，中小企业绝对足够。目前sosoo提供的处理功能：支持跨域跨主机的访问支持多种文件格式的下载支持对html中连接的递归处理支持http1.1协议但不支持1.0 支持匿名代理(http)，但不知道需要验证代理。待扩展的功能：提供全功能http协议处理提供javasript的支持提供表单from的处理支持提供对ftp协议的支持提供全方位的代理（http,sock等）支持。完善系统监控功能加强对html文档的信息处理能力提供各种文件类型的处理工具提供对rss的支持四：应用开发指南 sosoo提供很强的编程扩展,很容易把他集成到你的j2ee项目中。在中小型搜索引擎中，特别对某一些特定的行业网站的数据进行分析时，Sosoo提供方便和安全的解决方案。通过上述对功能的定制，我们可以看到在应用中我们对sosoo的编程接口并不多，而且目前系统都是基于set的方式注入aop注入对象，这样很容易和spring等基于set方式的依赖注入（IOC）框架集成。 1．Roboter类，spider程序的主类。当你需要把sosoo应用到你的应用中时，roboter提供一个基于线程的工具类。它体可在程序中启动，暂停，退出一个spdier程序。这个类有sosoo提供，并不支持扩展，它标识spider的主体。它是整个spider程序所有功能的入口，包括回调功能，都是通过set方式注入到roboter中。 com.sosoo.robot.spider.Roboter 例如你要启动一个spider线程： Roboter robby = new Roboter(); robby.setStartURL(new URL("http://10.25.101.173:7001/pa18Web/framework/images/framevork_04.gif")); robby.setMaxDepth(0); //设置最大连接访问深度 robby.setSleepTime(0); robby.setWalkToOtherHosts(true); robby.run(); //启动 2．TaskList接口，解决对处理任务的存储。对于sosoo而言，每个url对于一个任务。系统已经提供其默认的实现，你可以根据自己的需求实现这个接口。然后在启动spdier的时候用register方法进行注册。 robby .registerVisitedList(new HashedMemoryTaskList(false)); robby .registerToDoList(new HashedMemoryTaskList()); com.sosoo.robot.spider.TaskList 主要解决是对com.sosoo.robot.spider.RobotTask对象的存储。和常用的操作方法，例如删除，添加，查找等。具体参见@JAVADOC 3．Http客户端实现。目前对sosoo1.0客户端而言，主要的用途就是提供模拟浏览器进行对http文档的获取。同时把他转换为HttpDoc对象。同时对http请求资源的管理，例如cookie管理。 Sosoo主要是通过com.sosoo.robot.http.HttpTool工具类来提供此工能。你也可以自己定制更优化的处理方案替换，同样通过register方法进行注册。由于重载这个工具需要对http协议有深刻的连接，一般不建议替换系统的实现。 Robby.RegisterHttpParser(new HttpTool); 4．实现网页存储或处理当spider程序下载完以后，spider会用docManager管理其和filter来处理html文档和其内容。 HttpDocManager接口主要用来对HttpDoc对象的管理，例如把它存储在文件系统，或存入数据库等。系统提供了实现HttpDocToFile用来把HttpDoc对象存放在在文件系统中。 FilterChain主要用来进行httpDoc内容的一系列过滤功能。例如你主要取其中的某些信息。或者替换其中某些内容。它是实现了一个数组存储，你可以根据自己的需求加入多个实现DocumentFilter接口的对象，系统提供了一个实现LinkLocalizer，用来替换其中的相对连接。系统先进行filter处理，然后在进行HttpDocManager 具体编程参考@javadoc 5．实现运行期的监控 Sosoo提供了两个监控的接口。用户可以实现这写接口的某些或全部方法，达到载运行期内某些状态的监控。 Spider监控：com.sosoo.robot.spider.RobotCallback 主要提供文档的处理，spider的睡眠，spider当前任务的监控。 void webRobotRetrievedDoc(String url, int size); //实现对获取url对应的HttpDoc对象的监控 void webRobotUpdateQueueStatus(int length); //实现当前处理任务的监控 void webRobotDone(); //处理完成 void webRobotSleeping(boolean sleeping); //spider暂停 http分析监控：com.sosoo.robot.http.HttpToolCallback /** * After initiating a download, this method will be called to * inform about the URL that will be retrieved * @param URL url that will be retrieved now */ void setHttpToolDocUrl(String url); /** * After HttpTool got a Content-Length header * this method will be called to inform about the size of * the document to retrieve * @param size document size in */ void setHttpToolDocSize(int size); /** * after a block of bytes was read (default after every 1024 bytes, * this method will be called * @param size the number of bytes that where retrieved */ void setHttpToolDocCurrentSize(int size); /** * informs about the current status of the HttpTool * @param status an integer describing the current status * constants defined in HttpTool * @see HttpTool */ void setHttpToolStatus(int status); 系统提供了SystemOutHttpToolCallback默认实现。五．程序例子 package com.sosoo.robot.examples; /********************************************* Copyright (c) 2005 by rimen sosoo *********************************************/ import java.net.URL; import com.sosoo.robot.http.DownloadRuleSet; import com.sosoo.robot.http.HttpDocManager; import com.sosoo.robot.http.HttpDocToBean; import com.sosoo.robot.http.HttpToolCallback; import com.sosoo.robot.http.SystemOutHttpToolCallback; import com.sosoo.robot.spider.RobotCallback; import com.sosoo.robot.spider.RobotMonitor; import com.sosoo.robot.spider.Roboter; import com.sosoo.robot.spider.docfilter.DocumentFilter; import com.sosoo.robot.spider.docfilter.FilterChain; import com.sosoo.robot.spider.docfilter.LinkLocalizer; /** * This example program downloads a web page. It does not * store the documents but only logs the visited URLs. * * @author jerry[wangjianhua] sosoo * @version $Revision: 1.1 $ */ public class SpiderMain { public static void main(String[] args) throws Exception { System.out.println("URLs will be logged to urls.txt\n\n"); Roboter robby =new Roboter(); System.out.println(robby); robby.setStartURL(new URL("http://www.sina.com.cn/")); robby.setMaxDepth(0); robby.setDepthIsEffect(true); robby.setSleepTime(0); robby.setIgnoreRobotsTxt(true); robby.setWalkToOtherHosts(true); FilterChain filters=new FilterChain(); DocumentFilter filter=new LinkLocalizer(); filters.add(filter); //html流过滤器 DownloadRuleSet rules=new DownloadRuleSet("downrules.properties"); HttpDocManager dm = new HttpDocToBean(); //进行文档管理，可以存放在数据库也可以存放在本地。 RobotCallback m RobotMonitor(); HttpToolCallback toolM SystemOutHttpToolCallback(); robby.setDocManager(dm); robby.setDownloadRuleSet(rules); robby.setFilters(filters); robby.setWebRobotCallback(monitor); robby.setHttpToolCallback(toolMonitor); robby.run(); //启动 } } 六．参考依赖 Jobo spider实现 Tidy html解析器 Log4j日志记录器 Apach 提供的正值表达式操作器本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/Ackarlix/archive/2008/10/30/3182396.aspx ...展开收缩

(系统自动生成,下载前可以参看下载内容)