如何利用java中url实现网页内容的抓取

Posted 2023-05-06

参考技术A 在工程中导入Jsoup.jar包

获取网址url指定html或者文档指定的body

获取网页中超链接的标题和链接

获取指定博客文章的内容

5
获取网页中超链接的标题和链接的结果

Golang系列文章：并发抓取网页内容

在上一篇中，我们根据命令行的URL参数输入，抓取对应的网页内容并保存到本地磁盘，今天来记录一下如何利用并发，来抓取多个站点的网页内容。

首先，我们在上一次代码的基础上稍作改造，使它能够获取多个站点的内容。下面代码中，我们首先定义好三个URL，然后逐个发送网络请求，获取数据并保存，最后统计消耗的总时间：

// fetch.go

package main

import (
    "os"
    "fmt"
    "time"
    "regexp"
    "net/http"
    "io/ioutil"
)

// 创建正则常量
var RE = regexp.MustCompile("\w+\.\w+$")

func main() {
    urls := []string {
        "http://www.qq.com",
        "http://www.163.com",
        "http://www.sina.com",
    }

    // 开始时间
    start := time.Now()

    for _, url := range urls {
        start := time.Now()

        // 发送网络请求
        res, err := http.Get(url)

        if err != nil {
            fmt.Fprintf(os.Stderr, "fetch: %v
", err)
            os.Exit(1)
        }

        // 读取资源数据
        body, err := ioutil.ReadAll(res.Body)

        // 关闭资源
        res.Body.Close()

        if err != nil {
            fmt.Fprintf(os.Stderr, "fetch: reading %s: %v
", url, err)
            os.Exit(1)
        }

        fileName := getFileName(url)

        // 写入文件
        ioutil.WriteFile(fileName, body, 0644)

        // 消耗的时间
        elapsed := time.Since(start).Seconds()

        fmt.Printf("%.2fs %s
", elapsed, fileName)
    }

    // 消耗的时间
    elapsed := time.Since(start).Seconds()

    fmt.Printf("%.2fs elapsed
", elapsed)
}

// 获取文件名
func getFileName(url string) string {
    // 从URL中匹配域名后面部分
    return RE.FindString(url) + ".txt"
}

在上面代码中，我们使用正则表达式来从URL中匹配域名后面部分，作为最终的文件名。关于正则表达式，后续会做总结。

下面来看看程序运行后的控制台信息：

$ ./fetch
0.12s qq.com.txt
0.20s 163.com.txt
0.27s sina.com.txt
0.59s elapsed

从打印信息中可以看出，最后消耗的总时间等于三次执行的总和。这种方式效率低下，并且不能充分利用计算机资源，下面我们就对程序进行改造，使其能够并发地执行三个抓取操作：

// fetch.go

package main

import (
    "os"
    "fmt"
    "time"
    "regexp"
    "net/http"
    "io/ioutil"
)

// 创建正则
var RE = regexp.MustCompile("\w+\.\w+$")

func main() {
    urls := []string {
        "http://www.qq.com",
        "http://www.163.com",
        "http://www.sina.com",
    }

    // 创建channel
    ch := make(chan string)

    // 开始时间
    start := time.Now()

    for _, url := range urls {
        // 开启一个goroutine
        go fetch(url, ch)
    }

    for range urls {
        // 打印channel中的信息
        fmt.Println(<-ch)
    }

    // 总消耗的时间
    elapsed := time.Since(start).Seconds()

    fmt.Printf("%.2fs elapsed
", elapsed)
}

// 根据URL获取资源内容
func fetch(url string, ch chan<- string) {
    start := time.Now()

    // 发送网络请求
    res, err := http.Get(url)

    if err != nil {
        // 输出异常信息
        ch <- fmt.Sprint(err)
        os.Exit(1)
    }

    // 读取资源数据
    body, err := ioutil.ReadAll(res.Body)

    // 关闭资源
    res.Body.Close()

    if err != nil {
        // 输出异常信息
        ch <- fmt.Sprintf("while reading %s: %v", url, err)
        os.Exit(1)
    }

    // 写入文件
    ioutil.WriteFile(getFileName(url), body, 0644)

    // 消耗的时间
    elapsed := time.Since(start).Seconds()

    // 输出单个URL消耗的时间
    ch <- fmt.Sprintf("%.2fs %s", elapsed, url)
}

// 获取文件名
func getFileName(url string) string {
    // 从URL中匹配域名部分
    return RE.FindString(url) + ".txt"
}

上面代码中，我们先创建一个channel，然后对每个抓取操作开启一个goruntine，待抓取程序完成后，通过channel发送消息告知主线程，主线程再做相应的处理操作。关于这部分的原理细节，后续再做总结。

我们运行上面的程序，执行结果如下：

$ ./fetch
0.10s http://www.qq.com
0.19s http://www.163.com
0.29s http://www.sina.com
0.29s elapsed

从结果中可以看出，最后消耗的总时间与耗时最长的那个操作等同，可见并发在性能方面带来的提升是非常可观的。