Skip to content

第七章 到达哲学

原文：Chapter 7 Getting to Philosophy

译者：飞龙

协议：CC BY-NC-SA 4.0

自豪地采用谷歌翻译

本章的目标是开发一个 Web 爬虫，它测试了第 6.1 节中提到的“到达哲学”猜想。

7.1 起步

在本书的仓库中，你将找到一些帮助你起步的代码：

  • WikiNodeExample.java包含前一章的代码，展示了 DOM 树中深度优先搜索（DFS）的递归和迭代实现。
  • WikiNodeIterable.java包含Iterable类，用于遍历 DOM 树。我将在下一节中解释这段代码。
  • WikiFetcher.java包含一个工具类，使用jsoup从维基百科下载页面。为了帮助你遵守维基百科的服务条款，此类限制了你下载页面的速度；如果你每秒请求许多页，在下载下一页之前会休眠一段时间。
  • WikiPhilosophy.java包含你为此练习编写的代码的大纲。我们将在下面进行说明。

你还会发现 Ant 构建文件build.xml。如果你运行ant WikiPhilosophy，它将运行一些简单的启动代码。

7.2 可迭代对象和迭代器

在前一章中，我展示了迭代式深度优先搜索（DFS），并且认为与递归版本相比，迭代版本的优点在于，它更容易包装在Iterator对象中。在本节中，我们将看到如何实现它。

如果你不熟悉Iterator和Iterable接口，你可以阅读 http://thinkdast.com/iterator 和 http://thinkdast.com/iterable。

看看WikiNodeIterable.java的内容。外层的类WikiNodeIterable实现Iterable<Node>接口，所以我们可以在一个for循环中使用它：

Node root = ...
Iterable<Node> iter = new WikiNodeIterable(root);
for (Node node: iter) {
    visit(node);
}

其中root是我们想要遍历的树的根节点，并且visit是一个方法，当我们“访问”Node时，做任何我们想要的事情。

WikiNodeIterable的实现遵循以下惯例：

  • 构造函数接受并存储根Node的引用。
  • iterator方法创建一个返回一个Iterator对象。

这是它的样子：

public class WikiNodeIterable implements Iterable<Node> {

    private Node root;

    public WikiNodeIterable(Node root) {
        this.root = root;
    }

    @Override
    public Iterator<Node> iterator() {
        return new WikiNodeIterator(root);
    }
}

内层的类WikiNodeIterator，执行所有实际工作。

private class WikiNodeIterator implements Iterator<Node> {

    Deque<Node> stack;

    public WikiNodeIterator(Node node) {
        stack = new ArrayDeque<Node>();
        stack.push(root);
    }

    @Override
    public boolean hasNext() {
        return !stack.isEmpty();
    }

    @Override
    public Node next() {
        if (stack.isEmpty()) {
            throw new NoSuchElementException();
        }

        Node node = stack.pop();
        List<Node> nodes = new ArrayList<Node>(node.childNodes());
        Collections.reverse(nodes);
        for (Node child: nodes) {
            stack.push(child);
        }
        return node;
    }
}

该代码与 DFS 的迭代版本几乎相同，但现在分为三个方法：

  • 构造函数初始化栈（使用一个ArrayDeque实现）并将根节点压入这个栈。
  • isEmpty检查栈是否为空。
  • next从Node栈中弹出下一个节点，按相反的顺序压入子节点，并返回弹出的Node。如果有人在空Iterator上调用next，则会抛出异常。

可能不明显的是，值得使用两个类和五个方法，来重写一个完美的方法。但是现在我们已经完成了，在需要Iterable的任何地方，我们可以使用WikiNodeIterable，这使得它的语法整洁，易于将迭代逻辑（DFS）与我们对节点的处理分开。

7.3 WikiFetcher

编写 Web 爬虫时，很容易下载太多页面，这可能会违反你要下载的服务器的服务条款。为了帮助你避免这种情况，我提供了一个WikiFetcher类，它可以做两件事情：

  • 它封装了我们在上一章中介绍的代码，用于从维基百科下载页面，解析 HTML 以及选择内容文本。
  • 它测量请求之间的时间，如果我们在请求之间没有足够的时间，它将休眠直到经过了合理的间隔。默认情况下，间隔为1秒。

这里是WikiFetcher的定义：

public class WikiFetcher {
    private long lastRequestTime = -1;
    private long minInterval = 1000;

    /**
     * Fetches and parses a URL string, 
     * returning a list of paragraph elements.
     *
     * @param url
     * @return
     * @throws IOException
     */
    public Elements fetchWikipedia(String url) throws IOException {
        sleepIfNeeded();

        Connection conn = Jsoup.connect(url);
        Document doc = conn.get();
        Element content = doc.getElementById("mw-content-text");
        Elements paragraphs = content.select("p");
        return paragraphs;
    }

    private void sleepIfNeeded() {
        if (lastRequestTime != -1) {
            long currentTime = System.currentTimeMillis();
            long nextRequestTime = lastRequestTime + minInterval;
            if (currentTime < nextRequestTime) {
                try {
                    Thread.sleep(nextRequestTime - currentTime);
                } catch (InterruptedException e) {
                    System.err.println(
                        "Warning: sleep interrupted in fetchWikipedia.");
                }
            }
        }
        lastRequestTime = System.currentTimeMillis();
    }
}

唯一的公共方法是fetchWikipedia，接收String形式的 URL，并返回一个Elements集合，该集合包含的一个 DOM 元素表示内容文本中每个段落。这段代码应该很熟悉了。

新的代码是sleepIfNeeded，它检查自上次请求以来的时间，如果经过的时间小于minInterval（毫秒），则休眠。

这就是WikiFetcher全部。这是一个演示如何使用它的例子：

WikiFetcher wf = new WikiFetcher();

for (String url: urlList) {
    Elements paragraphs = wf.fetchWikipedia(url);
    processParagraphs(paragraphs);
}

在这个例子中，我们假设urlList是一个String的集合 ，并且processParagraphs是一个方法，对Elements做一些事情，它由fetchWikipedia返回。

此示例展示了一些重要的东西：你应该创建一个WikiFetcher对象并使用它来处理所有请求。如果有多个WikiFetcher的实例，则它们不会确保请求之间的最小间隔。

注意：我的WikiFetcher实现很简单，但是通过创建多个实例，人们很容易误用它。你可以通过制作WikiFetcher“单例” 来避免这个问题，你可以阅读 http://thinkdast.com/singleton。

7.4 练习 5

在WikiPhilosophy.java中，你会发现一个简单的main方法，展示了如何使用这些部分。从这个代码开始，你的工作是写一个爬虫：

  1. 获取维基百科页面的 URL，下载并分析。
  2. 它应该遍历所得到的 DOM 树来找到第一个 有效的链接。我会在下面解释“有效”的含义。
  3. 如果页面没有链接，或者如果第一个链接是我们已经看到的页面，程序应该指示失败并退出。
  4. 如果链接匹配维基百科页面上的哲学网址，程序应该提示成功并退出。
  5. 否则应该回到步骤1。

该程序应该为它访问的 URL 构建List，并在结束时显示结果（无论成功还是失败）。

那么我们应该认为什么是“有效的”链接？你在这里有一些选择 各种版本的“到达哲学”推测使用略有不同的规则，但这里有一些选择：

  • 这个链接应该在页面的内容文本中，而不是侧栏或弹出框。
  • 它不应该是斜体或括号。
  • 你应该跳过外部链接，当前页面的链接和红色链接。
  • 在某些版本中，如果文本以大写字母开头，则应跳过链接。

你不必遵循所有这些规则，但我们建议你至少处理括号，斜体以及当前页面的链接。

如果你有足够的信息来起步，请继续。或者你可能想要阅读这些提示：

  • 当你遍历树的时候，你将需要处理的两种Node是TextNode和Element。如果你找到一个Element，你可能需要转换它的类型，来访问标签和其他信息。
  • 当你找到包含链接的Element时，通过向上跟踪父节点链，可以检查是否是斜体。如果父节点链中有一个<i>或<em>标签，链接为斜体。
  • 为了检查链接是否在括号中，你必须在遍历树时扫描文本，并跟踪开启和闭合括号（理想情况下，你的解决方案应该能够处理嵌套括号（像这样））。

如果你从 Java 页面开始，你应该在跟随七个链接之后到达哲学，除非我运行代码后发生了改变。

好的，这就是你所得到的所有帮助。现在全靠你了。玩的开心！

回到顶部