爬虫1号

这是我实现的第一个版本的爬虫，局限比较大，用的算法思想也比较简单。不过通过爬虫1号，我对爬虫和搜索引擎实现机制有了更多的认识，收获还是挺大的^_^，涂鸦之作，我不知道别人如何实现的，就按自己的想法写了个，大家有兴趣可以看看，用java实现的

这是工程目录：

下面是具体代码：

package com.rgy.reptile;

import com.rgy.utils.PageUtils;

public class Entry {

	public static void main(String args[]){
		String url = "http://www.youku.com";
		PageUtils.history_list.add(url);
		PageUtils.parent_stack.push(url);
		PageUtils.searchUrl(url);
		//PageUtils.hrefShow(url);
	}
}

package com.rgy.entity;

import java.util.ArrayList;

public class PageInfo {

	private String url;
	private String title;
	private String keywords;
	private ArrayList<String> href_list;

	public PageInfo(){
		this.url="";
		this.title="";
		this.keywords="";
		this.href_list=null;
	}

	public void setUrl(String url){
		this.url = url;
	}

	public void setTitle(String title){
		this.title = title;
	}

	public void setKeywords(String keywords){
		this.keywords = keywords;
	}

	public void setHref_list(ArrayList<String> href_list){
		this.href_list = href_list;
	}

	public String getUrl(){
		return url;
	}

	public String getTitle(){
		return title;
	}

	public String getKeywords(){
		return keywords;
	}

	public ArrayList<String> getHref_list(){
		return href_list;
	}

}

package com.rgy.utils;

import java.util.ArrayList;
import java.util.Stack;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import com.rgy.entity.PageInfo;

public class PageUtils {

	public static PageInfo getPageInfo(String url){

		PageInfo info = new PageInfo();
		if(url.endsWith("/")){
			url = url.substring(0, url.length()-1);
		}
		info.setUrl(url);
		try{
			Document doc = Jsoup.connect(url).timeout(30000).get();
			String title = doc.title().toString();
			info.setTitle(title);
			String keywords = doc.getElementsByTag("meta").select("[name=keywords]").attr("content");
			info.setKeywords(keywords);
			Elements links = doc.getElementsByTag("a");
			ArrayList<String> href_list = new ArrayList<String>();
			for (Element link : links) {
				String linkHref = link.attr("href");
				if(linkHref.endsWith("/")){
					linkHref = linkHref.substring(0, linkHref.length()-1);
				}
				//如果数组中不存在这个链接
				if(linkIsAvailable(linkHref)&&!href_list.contains(linkHref)){
					href_list.add(linkHref);
					info.setHref_list(href_list);
				}
			}
		}catch(Exception ex){
			ex.printStackTrace();
		}

		return info;
	}

	public static boolean linkIsAvailable(String url){
		if(url.startsWith("http://")){
			String regex = ".*.exe|.*.apk|.*.zip|.*.rar|.*.pdf|.*.doc";
			Pattern pattern = Pattern.compile(regex);
	        Matcher matcher = pattern.matcher(url);
			return !matcher.matches();
		}
		return false;
	}

	public static boolean keywordsIsAvailable(String keywords){
		String regex = ".*青春.*|.*搞笑.*|.*微电影.*|.*短片.*|.*迷你剧.*|.*喜剧.*";
		Pattern pattern = Pattern.compile(regex);
        Matcher matcher = pattern.matcher(keywords);
        return matcher.matches();
	}

	//存放已经访问过的url
	public static ArrayList<String> history_list = new ArrayList<String>();
	//记录一路走来的父结点
	public static Stack<String> parent_stack = new Stack<String>();

	public static void searchUrl(String url){
		PageInfo info = getPageInfo(url);
		String keywords = info.getKeywords();
		int hlist_size = history_list.size();
		System.out.println(hlist_size+"-->"+history_list.get(hlist_size-1));

//		if(keywordsIsAvailable(keywords)){//如果匹配上了，
//			System.out.println(url+"===>"+keywords);
//		}

		ArrayList<String> href_list = info.getHref_list();
		if(href_list==null){//该结点不可用，回到父亲结点继续走0
			parent_stack.pop();
			if(!parent_stack.empty()){//不为空栈
				searchUrl(parent_stack.peek());
			}else{//空栈
				System.out.println("Yir,爬虫1号已完成任务！！！");
			}
		}else{//结点可用
			int size = href_list.size();
			for(int i=0;i<size;i++){
				String strUrl = href_list.get(i);
				if(history_list.contains(strUrl)){//如果当前链接已经被访问过了
					continue;
				}
				history_list.add(strUrl);
				parent_stack.push(strUrl);
				searchUrl(strUrl);
			}
		}
	}

	public static void hrefShow(String url){
		PageInfo info = getPageInfo(url);
		ArrayList<String> href_list = info.getHref_list();
		int size = href_list.size();
		for(int i=0;i<size;i++){
			System.out.println(href_list.get(i));
		}
	}

}

有兴趣的童鞋可以到这里下载工程代码：

http://download.csdn.net/detail/u011700203/8410597