前言：前几天在B站上面，看到了一个使用C/C++实现的网络爬虫，我没有看视频，只是看了评论，这位up主应该就是只使用语言本身提供的包实现的爬虫。但是，我对这种方式很有兴趣，所以我就来实现一个Java版本的，正好也是综合运用自己学习的知识。

具体效果：

注意：爬取过程中，出现了几个time out，但是也不影响整个爬虫的工作（出现异常的图片，可能会损坏，但是几百张失败一两次还是可以接受的），所以这里也就不处理它了，我测试了一下，把超时时间调高一点，并且当前网络通畅的话，也就不会遇到这个问题了。

给爷爬

这里给它取一个有趣的名字吧——给爷爬。

这里我主要是想引入一个URL队列的概念，它的工作模式如下：1.初始添加一个种子URL入队列。2.从URL队列中取出一个URL，进行处理，将获取到新的URL加入队列（如果有新的URL的话）。3.重复步骤2，直到队列为空。

通常，我们刚学习爬虫（现在，我也没有学习多久，哈哈。），只是一股脑的爬，比如按照页码来一个一个的爬取，先遇到的先爬取，这里其实都是有一个队列的思想的（先进先出 FIFO）。

所以，这里我分了几个模块来处理，下面就来依次介绍这几个部分。

Request类

一个简单的实体类，实现url和name属性的封装。

package dragon; public class Request { private String url; // url private String name;// name public Request(String url, String name) { super(); this.url = url; this.name = name; } public String getName() { return name; } public void setName(String name) { this.name = name; } public String getUrl() { return url; } public void setUrl(String url) { this.url = url; } @Override public String toString() { return "Picture [name=" + name + ", url=" + url + "]"; } } 3334

MessageUtil类

因为是使用语言本身提供的Socket来处理的，没有引入更高级的类库，所以处理起来相对麻烦一下。比如，需要自己手工构造HTTP请求报文、手工HTTP解析响应报文。不过，这里的请求报文，它的结构很简单，这个网站也没有什么反爬机制，用来练手很合适。

package dragon; import java.nio.charset.StandardCharsets; /** * 构造一个适当的请求报文 * */ public class MessageUtil { private final static String UA = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) " + "Chrome/86.0.4240.80 Safari/537.36 Edg/86.0.622.48"; private final static char CR = \r; private final static char LF = \n; private final static char BLANK = ; public static byte[] getRequestMsg(String path, String host, String referer) { StringBuilder msgBuilder = new StringBuilder(); msgBuilder.append("GET").append(BLANK).append(path).append(BLANK).append("HTTP/1.0").append(CR).append(LF) .append("User-Agent:").append(BLANK).append(UA).append(CR).append(LF) .append("Host:").append(BLANK).append(host).append(CR).append(LF) .append("Upgrade-Insecure-Requests:").append(BLANK).append(1).append(CR).append(LF) .append("Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9").append("\r\n") .append(CR).append(LF); String msg = msgBuilder.toString(); return msg.getBytes(StandardCharsets.UTF_8); } } 72829

PageDownloader类

使用套接字发送请求报文，接收响应报文。因为HTTP是建立在TCP之上的，所以请求报文和响应报文，也就是对应了套接字的OutputStream和InputStream了。但是，要注意这里使用的不是Socket，而是SSLSocket。因为，这个图片网站使用的是https协议，如果使用Socket的话，是无法建立连接的。这里，只要这样使用就行了，关于SSLSocket的详细情况，我也不是太了解。因为平时处理网络，都是使用高级api，它们会屏蔽这些细节的。这里需要了解HTTP和HTTPS的区别，SSLSocket就是安全层套接字。HTTP：Hyper Text Transport ProtocolHTTPS：Hyper Text Transport Protocol Over SecureSocket Layer

这个类的作用是下载html文件，它首先发送一个请求报文，然后接收响应报文。但是响应报文，是含有首部的，尽管我们平时是看不见的，所以这里返回的不只是html文件本身了，因此这里你需要了解一下HTTP报文的结构。

所以我这里定义了一个方法：readMsgHeader()，直接读取首部并简单丢弃，不做处理。

package dragon; import java.io.BufferedInputStream; import java.io.BufferedOutputStream; import java.io.ByteArrayOutputStream; import java.io.IOException; import java.io.InputStream; import java.io.OutputStream; import java.net.MalformedURLException; import java.net.URL; import javax.net.ssl.SSLSocket; import javax.net.ssl.SSLSocketFactory; /** * 下载页面 * */ public class PageDownloader { private static SSLSocketFactory factory = (SSLSocketFactory) SSLSocketFactory.getDefault();// 利用工厂来创建SSLSocket安全套接字 private final static int TIMEOUT = 10*1000; public String getHtml(String link, String cs) { URL url = null; try { url = new URL(link); } catch (MalformedURLException e1) { e1.printStackTrace(); } String host = url.getHost();// 获取主机 Host int port = url.getPort() != -1 ? url.getPort() : 443;// 获取端口号 String path = url.getPath(); // 请求路径 try (SSLSocket socket = (SSLSocket) factory.createSocket(host, port)) { socket.setSoTimeout(TIMEOUT); // 设置超时时间 // 启用所有密码组 String[] supported = socket.getSupportedCipherSuites(); socket.setEnabledCipherSuites(supported); // 获取输出流和输入流 OutputStream output = new BufferedOutputStream(socket.getOutputStream()); InputStream input = new BufferedInputStream(socket.getInputStream()); // 使用输出流发送请求数据 byte[] requestMsg = MessageUtil.getRequestMsg(path, host, link); output.write(requestMsg); output.flush();// 刷新输出流，不然未发送请求，导致无法接收到响应 // 过滤报文首部数据 try { readMsgHeader(input); } catch (Exception e) { e.printStackTrace(); System.out.println("连接发生异常，退出当前连接下载！"); return null; } try (ByteArrayOutputStream out = new ByteArrayOutputStream()) { int len = 0; byte[] b = new byte[2048]; while ((len = input.read(b)) != -1) { out.write(b, 0, len); } return out.toString(cs); } } catch (IOException e) { e.printStackTrace(); } return null; } /** * 读取报文头部，但是不做处理，只是简单的过滤头部的信息 * @throws Exception * */ private void readMsgHeader(InputStream in) throws Exception { StringBuilder sb = new StringBuilder(); while (true) { int c = in.read(); if (c != -1) { if (c != \n) { sb.append((char)c); } else { int len = sb.length(); if (len == 1) { break; // 读取到最后一行 \r\n，退出循环。 } else { sb.delete(0, len); } } } else { throw new Exception("连接发生异常！"); } } } } 33343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596

UrlDownloader类

用于下载图片的类，它的功能和前面的PageDownloader类基本相似，但是它是将获取的图片数据持久化到本地。

package dragon; import java.io.BufferedInputStream; import java.io.BufferedOutputStream; import java.io.File; import java.io.FileOutputStream; import java.io.IOException; import java.io.InputStream; import java.io.OutputStream; import java.net.MalformedURLException; import java.net.URL; import java.net.UnknownHostException; import javax.net.ssl.SSLSocket; import javax.net.ssl.SSLSocketFactory; public class UrlDownloader implements Runnable { private static SSLSocketFactory factory = (SSLSocketFactory) SSLSocketFactory.getDefault();// 利用工厂来创建SSLSocket安全套接字 private final static int TIMEOUT = 10*1000; private Request request; private String filePath; public UrlDownloader(Request request, String filePath) { this.request = request; this.filePath = filePath; } @Override public void run() { String link = request.getUrl(); URL url = null; try { url = new URL(link); } catch (MalformedURLException e1) { e1.printStackTrace(); } String host = url.getHost();// 获取主机 Host int port = url.getPort() != -1 ? url.getPort() : 443;// 获取端口号 String path = url.getPath(); // 请求路径 try (SSLSocket socket = (SSLSocket) factory.createSocket(host, port)) { socket.setSoTimeout(TIMEOUT); // 设置超时时间 // 启用所有密码组 String[] supported = socket.getSupportedCipherSuites(); socket.setEnabledCipherSuites(supported); // 获取输出流和输入流 OutputStream output = new BufferedOutputStream(socket.getOutputStream()); InputStream input = new BufferedInputStream(socket.getInputStream()); // 使用输出流发送请求数据 byte[] requestMsg = MessageUtil.getRequestMsg(path, host, ""); output.write(requestMsg); output.flush();// 刷新输出流，不然未发送请求，导致无法接收到响应 // 过滤报文首部数据 try { readMsgHeader(input); } catch (Exception e) { e.printStackTrace(); System.out.println("连接发生异常，退出当前连接下载！"); return ; } // 读取响应报文数据部，即图片本身的二进制数据 try (OutputStream outputFile = new BufferedOutputStream( new FileOutputStream(new File(filePath, request.getName())))) { int len = 0; byte[] b = new byte[2048]; while ((len = input.read(b)) != -1) { outputFile.write(b, 0, len); } } } catch (UnknownHostException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } System.out.println("资源：" + link + " 抓取完成！"); } /** * 读取报文头部，但是不做处理，只是简单的过滤头部的信息 * @throws Exception * */ private void readMsgHeader(InputStream in) throws Exception { StringBuilder sb = new StringBuilder(); while (true) { int c = in.read(); if (c != -1) { if (c != \n) { sb.append((char)c); } else { int len = sb.length(); if (len == 1) { break; // 读取到最后一行 \r\n，退出循环。 } else { sb.delete(0, len); } } } else { throw new Exception("连接发生异常！"); } } } } 33343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108

DataCrawler类

整个给爷爬的主要逻辑都在这个类里面了。这部分，就是关于网页结构的知识了。

爬虫的轨迹是如下的：首先从根路径开始，获取根路径所在html页面的所有标题页（只获取第一页的所有标题页用于演示），然后对于每一个标题页提取所有的图片链接信息，最后依次下载每一条链接，总体上逻辑还是很简单的。

package dragon; import java.util.LinkedList; import java.util.Queue; import java.util.concurrent.ExecutorService; import java.util.concurrent.Executors; import java.util.regex.Matcher; import java.util.regex.Pattern; /** * 准备不使用外部依赖，仅仅依靠语言本身的功能完成一个简单的数据采集任务。 * 用来检验自己这段时间的网络学习的成果，并加深对于 网络、协议、web的理解。 * */ public class DataCrawler { // 用于存储待抓取数据url的队列 private static Queue<Request> queue = new LinkedList<>(); private static String filePath = "D:/DBC/Test"; public static void main(String[] args) { System.out.println("启动 --> 给爷爬！"); // 添加一个根路径，然后开始url调度 queue.offer(new Request("/category/qingchun", "qingchun")); // 下载对应的html页面 PageDownloader pageDownloader = new PageDownloader(); String html = null; // 创建一个线程池 ExecutorService pool = Executors.newFixedThreadPool(2);// 没有使用代理ip，而且只是验证，慢慢爬也无所谓了 while(!queue.isEmpty()) { Request request = queue.poll(); String url = request.getUrl(); System.out.println("开始处理url：" + url + " --> " + request.getName()); if (url.contains("category")) {// 这个url是爬虫的起点 html = pageDownloader.getHtml(url, "UTF-8"); resolveRoot(html); } else if (url.contains("detail")) {// 对应标题页的url html = pageDownloader.getHtml(url, "UTF-8"); resolveChild(html); } else {// 图片对应的url pool.submit(new UrlDownloader(request, filePath)); } } pool.shutdown(); // 采用轮询方式，当爬虫结束时打印该语句 while (true) { if (pool.isTerminated()) { System.out.println("结束 --> 给爷爬"); break; } } } public static void resolveRoot(String html) { html = html.replace( , _); // 由于标题字符串中含有空格，所以先替换掉空格，再匹配 String regex = "/detail/\\d{4}"; // 匹配URL String regex1 = "/(\\S+|\\s*|\\S+)-thumbnail.jpg"; // 匹配对应的标题 Pattern urlPattern = Pattern.compile(regex); Pattern titlePattern = Pattern.compile(regex1); Matcher urlMatcher = urlPattern.matcher(html); Matcher titleMatcher = titlePattern.matcher(html); while(urlMatcher.find() && titleMatcher.find()) { String url = urlMatcher.group(); String title = titleMatcher.group(); queue.offer(new Request("" + url, title)); // 添加新的request对象进入队列，等待处理 } } public static void resolveChild(String html) { html = html.replace( , _); // 由于标题字符串中含有空格，所以先替换掉空格，再匹配 String regex = "/(\\S+)/\\d{2}[a-z]\\d{2}.jpg"; // 匹配URL Pattern pattern = Pattern.compile(regex); Matcher matcher = pattern.matcher(html); while(matcher.find()) { String url = matcher.group(); String title = url.substring(url.lastIndexOf("/")+1); url = url.replace(_, );// 这里需要注意，有的路径含有空格，我将其替换了，现在再替换回去 queue.offer(new Request("" + url, title)); // 添加新的request对象进入队列，等待处理 } } } 333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677787980818283848586

总结

这里使用Java网络编程+计算机网络的知识，而且是从一个底层开始处理（相对于应用层的底层，不是计算机网络的底层），具有很好的学习价值。特别是刚刚接触计算机网络的人，可以给人一种很直观感受，而不只是单纯书本上面的概念，并且学以致用，也是一种比较有效的学习方式。

最后多说一句，小编是一名python开发工程师，这里有我自己整理了一套最新的python系统学习教程，包括从基础的python脚本到web开发、爬虫、数据分析、数据可视化、机器学习等。想要这些资料的可以关注小编，并私信“学习”即可领取。