基于JAVA语言的网络爬虫

Introduction:

这个小demo用于爬取淘宝网的相关链接。

首先从“www.taobao.com"这个url开始,手机页面上的所有url,然后存入toCrawList 。当toCrawList不为空时,拿出一个url,把它存入数据集并且搜寻这个url上的所有链接充入toCrawList. 这是一个BFS过程。

Framework:

Code:

就网络爬虫来讲这个demo没有太多特别之处,只是根据项目需求,最大的爬取url数有个限制,因此效率上会相对的做出一些优化。另外为了防止URL.openStream()时失去响应,初次尝试使用了java中为方法设置超时时间的模块。

主函数:

public static void main(String[] args) {

		can_be_stopped = false;

		if (args.length != 3) {
			System.out
					.println("Usage:java SearchCrawler startUrl maxUrl searchString");

		}
		String[] paramers = new String[3];
		paramers[0] = "http://www.taobao.com";
		paramers[1] = "10000";
		paramers[2] = "java";
		int max = Integer.parseInt(paramers[1]);
		dapa crawler = new dapa(paramers[0], max, paramers[2]);
		Thread search = new Thread(crawler);
		System.out.println("Start searching...");
		System.out.println("result:");

		search.start();

	}

第一个参数是爬取得首地址,第二个参数是最大爬取得url数(为了优化,代码中对toCrawList的大小也进行了限制。例如我想爬取8000个URL,那么toCrawList如果大于8000,则停止对toCrawList的扩充)。第三个参数无意义。

在下载页面时,为了防止openStream卡住,我通过java自带的方法来对openStream设置了超时时间,实现时使用代理模式:

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();

			//int count=1;
			while ((line = reader.readLine()) != null) {

				pageBuffer.append(line);
			}

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

		return null;
	}
	private String DownloadPage(URL pageUrl){
		//String page=null;
		 final URL thePage=pageUrl;
		 final ExecutorService exec = Executors.newFixedThreadPool(1);
		    Callable<String> call = new Callable<String>() {
		         public String call() throws Exception {  

		            return downloadPage(thePage);
		         }
		     };  

		     try {
		         Future<String> future = exec.submit(call);
		         // set db connection timeout to 10 seconds
		         String obj = future.get(1000 * 30, TimeUnit.MILLISECONDS);
		         return obj;

		     } catch (TimeoutException ex) {
		         System.out.println("====================task time out===============");
		         ex.printStackTrace();  

		     } catch (Exception e) {
		         System.out.println("failed to handle.");
		         e.printStackTrace();  

		     }
		     // close thread pool
		     exec.shutdown();  

		     return null;

	}

为了防止程序异常结束或超时,每获取一条url我都要把它添加至文件末尾。 当然大量的文件操作也影响了程序的效率。

File file = new File("D:/scope/url3.txt");
					BufferedWriter bw = null;
					try {
						bw = new BufferedWriter(new FileWriter(file, true));
						bw.write(url + "\r\n");
						bw.close();
					} catch (IOException e) {
						// TODO Auto-generated catch block
						e.printStackTrace();
					}

完整程序:

package snippet;

import java.sql.Connection;
import java.util.*;
import java.net.*;
import java.beans.Statement;
import java.io.*;
import java.util.concurrent.Callable;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.concurrent.Future;
import java.util.concurrent.TimeUnit;
import java.util.concurrent.TimeoutException;
import java.util.regex.*;

import javax.sql.DataSource;

// 搜索Web爬行者
public class dapa 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
	ArrayList<String> checklist = new ArrayList<String>();
	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
	int totcount=0;

	private static boolean can_be_stopped = false;

	public dapa(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

		try {
			crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive);
		} catch (Exception e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
		System.out.println("over");
	}

	// 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;
		if (url.matches(".*//.*//.*"))
			return 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();

			//int count=1;
			while ((line = reader.readLine()) != null) {

				pageBuffer.append(line);
			}

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

		return null;
	}
	private String DownloadPage(URL pageUrl){
		//String page=null;
		 final URL thePage=pageUrl;
		 final ExecutorService exec = Executors.newFixedThreadPool(1);
		    Callable<String> call = new Callable<String>() {
		         public String call() throws Exception {  

		            return downloadPage(thePage);
		         }
		     };  

		     try {
		         Future<String> future = exec.submit(call);
		         // set db connection timeout to 10 seconds
		         String obj = future.get(1000 * 30, TimeUnit.MILLISECONDS);
		         return obj;

		     } catch (TimeoutException ex) {
		         System.out.println("====================task time out===============");
		         ex.printStackTrace();  

		     } catch (Exception e) {
		         System.out.println("failed to handle.");
		         e.printStackTrace();  

		     }
		     // close thread pool
		     exec.shutdown();  

		     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,HashSet toCrawlList) throws Exception {
		// 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) {
				continue;
				/*
				 * 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; } }
				 */
				// link=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;
			}

			//化简
			link = SimpleUrl(link);

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

			if (toCrawlList.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) {
		return true;
		/*
		 * 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)
			throws Exception {

		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);

			if (!can_be_stopped) {

				System.out.println("--downloadPage..");
				String pageContents = DownloadPage(verifiedUrl);

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

					// 控制toCrawlList最大容量
					// if(toCrawlList.size()<100000)

					if(!links.isEmpty())
					toCrawlList.addAll(links);

					// toCrawlList超过最大搜索数即可不再充入url
					if (toCrawlList.size() > 10000)
						can_be_stopped = true;
				}
			}

				System.out.println("toCrawList:" + toCrawlList.size());
				//if (searchStringMatches(pageContents, searchString,
				//		caseSensitive)) {
					result.add(url);
					System.out.println("crawledList:" +crawledList.size());
					System.out.println(url);

					File file = new File("D:/scope/url3.txt");
					BufferedWriter bw = null;
					try {
						bw = new BufferedWriter(new FileWriter(file, true));
						bw.write(url + "\r\n");
						bw.close();
					} catch (IOException e) {
						// TODO Auto-generated catch block
						e.printStackTrace();
					}
			//	}

		}
		return result;
	}

	String SimpleUrl(String url) throws Exception {

		 URL uri =new URL(url);

		 String result ="http://"+ uri.getHost()+uri.getPath();

		 return result;

	}

	// 主函数
	public static void main(String[] args) {

		can_be_stopped = false;

		if (args.length != 3) {
			System.out
					.println("Usage:java SearchCrawler startUrl maxUrl searchString");

		}
		String[] paramers = new String[3];
		paramers[0] = "http://www.taobao.com";
		paramers[1] = "10000";
		paramers[2] = "java";
		int max = Integer.parseInt(paramers[1]);
		dapa crawler = new dapa(paramers[0], max, paramers[2]);
		Thread search = new Thread(crawler);
		System.out.println("Start searching...");
		System.out.println("result:");

		search.start();

	}
}

输出:

Usage:java SearchCrawler startUrl maxUrl searchString
Start searching...
result:
searchString=java
--downloadPage..
--retrieveLinks..
toCrawList:53
crawledList:1
http://taobao.com
--downloadPage..
--retrieveLinks..
toCrawList:84
crawledList:2
http://style.taobao.com
--downloadPage..
--retrieveLinks..
toCrawList:92
crawledList:3
http://daogou.taobao.com/market/236/searchAuction.htm
--downloadPage..
--retrieveLinks..
toCrawList:107
crawledList:4
http://miiee.taobao.com/themes/theme_333.htm
--downloadPage..
toCrawList:104
crawledList:5
http://reg.taobao.com/member/new_register.jhtml
--downloadPage..
toCrawList:103
crawledList:6
http://i.taobao.com/my_taobao.htm
--downloadPage..
toCrawList:102
crawledList:7
http://vip.taobao.com/growth_info.htm
..
时间: 2024-11-02 13:27:00

基于JAVA语言的网络爬虫的相关文章

项目日志之基于Java socket的网络通讯

Java API网络类包中的Socket类是网络上运行的两个程序间双向通信的一端,它既可以接受请求,也可以发送请求,利用它可以较为方便的编写网络上数据的传递.我们打算通过Java中基于Socket的网络编程实现一个简单的网络通信程序.这就是我们团队项目(开发一款简单的通讯软件,其基本功能是实现一对一的网络信息通讯,并努力向一对多和多对多靠近)的主要内容. 一.Java socket通信开发原理(查阅资料): 服务器使用ServerSocket监听指定的端口,端口可以随意指定(由于1024以下的端

基于Java语言构建区块链(一)—— 基本原型

引言 区块链技术是一项比人工智能更具革命性的技术,人工智能只是提高了人类的生产力,而区块链则将改变人类社会的生产关系,它将会颠覆我们人类社会现有的协作方式.了解和掌握区块链相关知识和技术,是我们每位开发人员必须要去做的事情,这样我们才能把握住这波时代趋势的红利. 本文将基于Java语言构建简化版的blockchain,来实现数字货币. 创建区块区块链是由包含交易信息的区块从后向前有序链接起来的数据结构.区块被从后向前有序地链接在这个链条里,每个区块都指向前一个区块.以比特币为例,每个区块主要包含

基于JAVA语言的多线程技术

1.简介 多线程技术属于操作系统范围内的知识: 进程与线程 可以这么理解,一个应用程序就是一个进程,在一个进程中包含至少一个线程:进程就是线程的容器,真正工作.处理任务的是线程. 进程是操作系统分配资源的基本单位:线程是操作系统进行调度,时间分配的基本单位: 进程由内核对象和地址空间两部分构成,内核对象就是一小块记录进程信息的内存,只允许操作系统访问:地址空间就是存放数据和程序的空间: 2.多线程运行机制 对于单个CPU,在每个时间点只能只能执行一个线程,多线程的实现是基于对时间片的轮回机制的,

推荐10款流行的java开源的网络爬虫

1:JAVA爬虫WebCollector(Star:1345) 爬虫简介: WebCollector是一个无须配置.便于二次开发的JAVA爬虫框架(内核),它提供精简的的API,只需少量代码即可实现一个功能强大的爬虫.WebCollector-Hadoop是WebCollector的Hadoop版本,支持分布式爬取. 爬虫内核: WebCollector致... 2:开源通用爬虫框架YayCrawler(Star:91) YayCrawler是一个基于WebMagic开发的分布式通用爬虫框架,开

Java开发、网络爬虫、自然语言处理、数据挖掘简介

一.java开发 (1) 应用开发,即Java SE开发,不属于java的优势所在,所以市场占有率很低,前途也不被看好. (2) web开发,即Java Web开发,主要是基于自有或第三方成熟框架的系统开发,如ssh.springMvc.springside.nutz.,面向各自不同的领域,像OA.金融.教育等有非常成熟案例,这是目前最大的市场所在,故人称“java为web而生”.但目前看它的缺点入门不高,所以待遇相对中等,上升空间很有限且缓慢. (3)移动开发(Android),是目前的大趋势

java 之webmagic 网络爬虫

webmagic简介: WebMagic是一个简单灵活的Java爬虫框架.你可以快速开发出一个高效.易维护的爬虫. http://webmagic.io/ 准备工作: Maven依赖(我这里用的Maven创建的web项目做测试): <dependencies> <!-- junit --> <dependency> <groupId>junit</groupId> <artifactId>junit</artifactId>

通过基于java实现的网络聊天程序分析java中网络API和Linux Socket API关系

1. 引言 socket网络编程,可以指定不同的通信协议,在这里,我们使用TCP协议实现基于java的C/S模式下“hello/hi”网络聊天程序 2. 目标 1). 通过该网络聊天程序,了解java Socket API接口的基本用法 2). java Socket API简要介绍 3). linux socket API 简单分析 4). tcp协议的连接和终止 5). 探究java socket API 和 linux socket api之间的关系 3. linux socket API

基于java语言的给cube添加custom view来实现权限控制

今天是农历2014年的最后一个工作日了,在这里提前祝大家新年快乐.羊年大吉!当然本人今天也拿出来点儿真东西,做为献给大家的新年礼物,依次共勉. 下文主要讲述的是使用Java代码来完成对cube基于部门维度创建custom view,实现角色级别的权限控制 第一部分:通用数据库设计 1:事实表(订单分析)--存放departkey关联部门 2:维度表(部门) 3:赋权表 role_id以及对应的role_name,来源于cognos cjap认证中的角色表depart_id以及对应的depart_

基于Java语言的MD5加密Base64转换方法

提供了基于MD5加密16位和32位的方法 1 import java.io.IOException; 2 import java.math.BigInteger; 3 import java.security.MessageDigest; 4 import java.security.NoSuchAlgorithmException; 5 import sun.misc.BASE64Decoder; 6 import sun.misc.BASE64Encoder; 7 /** 8 * <p>标