Java写的爬虫的基本程序 / 憋错料

这是一个web搜索的基本程序，从命令行输入搜索条件（起始的URL、处理url的最大数、要搜索的字符串),
它就会逐个对Internet上的URL进行实时搜索,查找并输出匹配搜索条件的页面。这个程序的原型来自《java编程艺术》，
为了更好的分析，站长去掉了其中的GUI部分，并稍作修改以适用jdk1.5。以这个程序为基础，可以写出在互联网上搜索
诸如图像、邮件、网页下载之类的“爬虫”。
先请看程序运行的过程：

D:\java>javac SearchCrawler.java（编译）

D:\java>java SearchCrawler http://127.0.0.1:8080/zz3zcwbwebhome/index.jsp 20 java

D:\java>
下面是这个程序的源码

import java.util.*;
import java.net.*;
import java.io.*;
import java.util.regex.*;

// 搜索Web爬行者
public class SearchCrawler implements Runnable{

/* disallowListCache缓存robot不允许搜索的URL。 Robot协议在Web站点的根目录下设置一个robots.txt文件,
  *规定站点上的哪些页面是限制搜索的。搜索程序应该在搜索过程中跳过这些区域,下面是robots.txt的一个例子:
# robots.txt for http://somehost.com/
   User-agent: *
   Disallow: /cgi-bin/
   Disallow: /registration # /Disallow robots on registration page
   Disallow: /login
  */

private HashMap< String,ArrayList< String>> disallowListCache = new HashMap< String,ArrayList< String>>();
  ArrayList< String> errorList= new ArrayList< String>();//错误信息
  ArrayList< String> result=new ArrayList< String>(); //搜索到的结果
  String startUrl;//开始搜索的起点
  int maxUrl;//最大处理的url数
  String searchString;//要搜索的字符串(英文)
  boolean caseSensitive=false;//是否区分大小写
  boolean limitHost=false;//是否在限制的主机内搜索

  public SearchCrawler(String startUrl,int maxUrl,String searchString){
   this.startUrl=startUrl;
   this.maxUrl=maxUrl;
   this.searchString=searchString;
  }

public ArrayList< String> getResult(){
return result;
}

public void run(){//启动搜索线程

       crawl(startUrl,maxUrl, searchString,limitHost,caseSensitive);
  }

//检测URL格式
  private URL verifyUrl(String url) {
    // 只处理HTTP URLs.
    if (!url.toLowerCase().startsWith("http://"))
      return null;

URL verifiedUrl = null;
    try {
      verifiedUrl = new URL(url);
    } catch (Exception e) {
      return null;
    }

return verifiedUrl;
}

// 检测robot是否允许访问给出的URL.
private boolean isRobotAllowed(URL urlToCheck) {
String host = urlToCheck.getHost().toLowerCase();//获取给出RUL的主机
//System.out.println("主机="+host);

// 获取主机不允许搜索的URL缓存
ArrayList< String> disallowList =disallowListCache.get(host);

// 如果还没有缓存,下载并缓存。
    if (disallowList == null) {
      disallowList = new ArrayList< String>();
      try {
        URL robotsFileUrl =new URL("http://" + host + "/robots.txt");
        BufferedReader reader =new BufferedReader(new InputStreamReader(robotsFileUrl.openStream()));

// 读robot文件，创建不允许访问的路径列表。
        String line;
        while ((line = reader.readLine()) != null) {
          if (line.indexOf("Disallow:") == 0) {//是否包含"Disallow:"
            String disallowPath =line.substring("Disallow:".length());//获取不允许访问路径

// 检查是否有注释。
            int commentIndex = disallowPath.indexOf("#");
            if (commentIndex != - 1) {
              disallowPath =disallowPath.substring(0, commentIndex);//去掉注释
            }

            disallowPath = disallowPath.trim();
            disallowList.add(disallowPath);
           }
         }

// 缓存此主机不允许访问的路径。
        disallowListCache.put(host, disallowList);
      } catch (Exception e) {
              return true; //web站点根目录下没有robots.txt文件,返回真
      }
    }

String file = urlToCheck.getFile();
    //System.out.println("文件getFile()="+file);
    for (int i = 0; i < disallowList.size(); i++) {
      String disallow = disallowList.get(i);
      if (file.startsWith(disallow)) {
        return false;
      }
    }

return true;
}

private String downloadPage(URL pageUrl) {
     try {
        // Open connection to URL for reading.
        BufferedReader reader =
          new BufferedReader(new InputStreamReader(pageUrl.openStream()));

// Read page into buffer.
        String line;
        StringBuffer pageBuffer = new StringBuffer();
        while ((line = reader.readLine()) != null) {
          pageBuffer.append(line);
        }

        return pageBuffer.toString();
     } catch (Exception e) {
     }

return null;
}

// 从URL中去掉"www"
  private String removeWwwFromUrl(String url) {
    int index = url.indexOf("://www.");
    if (index != -1) {
      return url.substring(0, index + 3) +
        url.substring(index + 7);
    }

return (url);
}

// 解析页面并找出链接
  private ArrayList< String> retrieveLinks(URL pageUrl, String pageContents, HashSet crawledList,
    boolean limitHost)
  {
    // 用正则表达式编译链接的匹配模式。
    Pattern p =Pattern.compile("<a\\s+href\\s*=\\s*\"?(.*?)[\"|>]",Pattern.CASE_INSENSITIVE);
    Matcher m = p.matcher(pageContents);

ArrayList< String> linkList = new ArrayList< String>();
    while (m.find()) {
      String link = m.group(1).trim();

      if (link.length() < 1) {
        continue;
      }

// 跳过链到本页面内链接。
      if (link.charAt(0) == ‘#‘) {
        continue;
      }

if (link.indexOf("mailto:") != -1) {
        continue;
      }

      if (link.toLowerCase().indexOf("javascript") != -1) {
        continue;
      }

if (link.indexOf("://") == -1){
        if (link.charAt(0) == ‘/‘) {//处理绝对地
          link = "http://" + pageUrl.getHost()+":"+pageUrl.getPort()+ link;
        } else {
          String file = pageUrl.getFile();
          if (file.indexOf(‘/‘) == -1) {//处理相对地址
            link = "http://" + pageUrl.getHost()+":"+pageUrl.getPort() + "/" + link;
          } else {
            String path =file.substring(0, file.lastIndexOf(‘/‘) + 1);
            link = "http://" + pageUrl.getHost() +":"+pageUrl.getPort()+ path + link;
          }
        }
      }

int index = link.indexOf(‘#‘);
      if (index != -1) {
        link = link.substring(0, index);
      }

link = removeWwwFromUrl(link);

URL verifiedLink = verifyUrl(link);
      if (verifiedLink == null) {
        continue;
      }

/* 如果限定主机，排除那些不合条件的URL*/
      if (limitHost &&
          !pageUrl.getHost().toLowerCase().equals(
            verifiedLink.getHost().toLowerCase()))
      {
        continue;
      }

// 跳过那些已经处理的链接.
      if (crawledList.contains(link)) {
        continue;
      }

linkList.add(link);
}

return (linkList);
}

// 搜索下载Web页面的内容，判断在该页面内有没有指定的搜索字符串

private boolean searchStringMatches(String pageContents, String searchString, boolean caseSensitive){
       String searchContents = pageContents;
       if (!caseSensitive) {//如果不区分大小写
          searchContents = pageContents.toLowerCase();
       }

Pattern p = Pattern.compile("[\\s]+");
    String[] terms = p.split(searchString);
    for (int i = 0; i < terms.length; i++) {
      if (caseSensitive) {
        if (searchContents.indexOf(terms[i]) == -1) {
          return false;
        }
      } else {
        if (searchContents.indexOf(terms[i].toLowerCase()) == -1) {
          return false;
        }
      }     }

return true;
}

//执行实际的搜索操作
  public ArrayList< String> crawl(String startUrl, int maxUrls, String searchString,boolean limithost,boolean caseSensitive )
  {

    System.out.println("searchString="+searchString);
    HashSet< String> crawledList = new HashSet< String>();
    LinkedHashSet< String> toCrawlList = new LinkedHashSet< String>();

if (maxUrls < 1) {
        errorList.add("Invalid Max URLs value.");
        System.out.println("Invalid Max URLs value.");
      }


    if (searchString.length() < 1) {
      errorList.add("Missing Search String.");
      System.out.println("Missing search String");
    }

if (errorList.size() > 0) {
      System.out.println("err!!!");
      return errorList;
      }

// 从开始URL中移出www
startUrl = removeWwwFromUrl(startUrl);

toCrawlList.add(startUrl);
    while (toCrawlList.size() > 0) {

      if (maxUrls != -1) {
        if (crawledList.size() == maxUrls) {
          break;
        }
      }

// Get URL at bottom of the list.
String url = toCrawlList.iterator().next();

// Remove URL from the to crawl list.
toCrawlList.remove(url);

// Convert string url to URL object.
URL verifiedUrl = verifyUrl(url);

// Skip URL if robots are not allowed to access it.
      if (!isRobotAllowed(verifiedUrl)) {
        continue;
      }

// 增加已处理的URL到crawledList
crawledList.add(url);
String pageContents = downloadPage(verifiedUrl);

if (pageContents != null && pageContents.length() > 0){
        // 从页面中获取有效的链接
        ArrayList< String> links =retrieveLinks(verifiedUrl, pageContents, crawledList,limitHost);

        toCrawlList.addAll(links);

if (searchStringMatches(pageContents, searchString,caseSensitive))
        {
          result.add(url);
          System.out.println(url);
        }
     }

}
return result;
}

// 主函数
  public static void main(String[] args) {
     if(args.length!=3){
        System.out.println("Usage:java SearchCrawler startUrl maxUrl searchString");
        return;
     }
    int max=Integer.parseInt(args[1]);
    SearchCrawler crawler = new SearchCrawler(args[0],max,args[2]);
    Thread  search=new Thread(crawler);
    System.out.println("Start searching...");
    System.out.println("result:");
    search.start();

  }
}

注意 connection和inputstream都没有关闭的功能，变量也没有最后申明为null，导致内存消耗很大，也就是没有考虑到java的垃圾回收机制

ps: 这个爬虫我本人看了一次以后觉得很不错！

时间： 2024-08-05 13:54:13

Java写的爬虫的基本程序

Java写的爬虫的基本程序的相关文章

用Java写的爬虫程序

Java写的第一个小程序

《用Java写一个通用的服务器程序》01 综述

《用Java写一个通用的服务器程序》02 监听器

《用Java写一个通用的服务器程序》03 处理新socket

java图形图像SVG转PPM程序代写 qq:928900200

零基础写Java知乎爬虫之进阶篇

Java写的抓取任意网页中email地址的小程序

终于解决了用JAVA写窗口程序在不同的windows界面下的显示保持一致。