`

初识网络爬虫

    博客分类:
  • java
 
阅读更多

初识网络爬虫

http://blog.csdn.net/luojinping/article/details/6870898

 

package SearchCrawler;

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

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 forreading.
			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("InvalidMax URLs value.");
			System.out.println("Invalid Max URLs value.");
		}

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

		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 toaccess 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) {
 
		String[] strs = {"http://www.sina.com","9","java"};
		int max = Integer.parseInt(strs[1]);
		SearchCrawler crawler = new SearchCrawler(strs[0], max, strs[2]);
		Thread search = new Thread(crawler);
		System.out.println("Start searching...");
		System.out.println("result:");
		search.start();

	}
}


 

分享到:
评论

相关推荐

    初识网络爬虫.ppt

    通过对各种爬虫技术框架对比,选择简易明白的技术框架解释什么是网络爬虫,如何通过脚手架方式搭建一个简易的网络爬虫。

    解析Python网络爬虫_复习大纲.docx

    解析Python网络爬虫_复习大纲.docx 本文档是关于Python网络爬虫的复习大纲,涵盖了爬虫的基本概念、实现原理、技术、网页请求原理、抓取网页数据、数据解析、并发下载、抓取动态内容、图像识别与文字处理、存储爬虫...

    大数据爬虫技术第1章 初识爬虫.ppt

    网络爬虫,又称为网页蜘蛛、网络机器人,是一种按照一定的规则,自动请求万维网网站并提取网络数据的程序或脚本。 结 论 这里的数据是指互联网上公开的并且可以访问到的网页信息,而不是网站的后台信息(没有权限...

    详解python爬虫系列之初识爬虫

    Python爬虫是网络数据抓取的重要工具,主要用于自动化地从互联网上获取大量信息。初识Python爬虫,我们需要了解其基本原理和常用库。本文将通过实例介绍如何使用requests和BeautifulSoup两个核心库进行简单的网页...

    云计算与大数据应用开发 第四章:网络爬虫.pdf

    **云计算与大数据应用开发——网络爬虫** 网络爬虫,又称网页蜘蛛或网络机器人,是自动从互联网上抓取和提取网页数据的程序或脚本。它的存在是为了解决从海量网页中获取特定信息的需求,无论是搜索引擎用于索引网页...

    002.Python爬虫系列-初识协议

    * 网络协议指的是计算机网络中互相通信的对等实体之间交换信息时所必须遵守的规则、标准和规范的集合 * 用于确保网络中的设备能够相互理解和通信,实现数据的传输和共享 * 那些由不同厂商的设备、不同的CPU以及不同...

    2.Python爬虫课件.pdf

    在网络爬虫的背后,搜索引擎利用爬虫来发现新内容,并根据一定的算法对内容进行索引和排名。 2. 爬虫初识和基本流程 爬虫的原理图和搜索引擎原理图让学习者对整个爬取过程有个直观的认识。接着,课程件阐述了学习...

    少儿编程python教案-初识Python.pptx

    Python的应用涵盖了多个领域,包括但不限于网站开发、人工智能、云计算、大数据分析、网络爬虫、科学计算以及游戏开发。在人工智能领域,Python被用于机器学习、深度学习和自然语言处理等;在云计算开发中,Python...

    simple-spider:简单的爬虫

    本项目"simple-spider"就是一个以Java语言编写的简单爬虫示例,它为我们提供了学习和实践网络爬虫技术的基础平台。 首先,我们需要理解Java在爬虫开发中的应用。Java以其强大的跨平台能力和丰富的库支持,成为了...

    第1课初识Python公开课.pptx

    Python的应用领域非常广泛,包括Web和Internet开发、科学计算和统计、人工智能、桌面界面开发、软件开发、后端开发、网络爬虫等。Python语言的优点使其成为一种非常流行的编程语言。 在学习Python时,我们需要了解...

    Eastmount网络安全博客之各种工具及代码资源(IDA、BP、Nmap、Wireshark等)

    [网络安全自学篇] 五.IDA Pro反汇编工具初识及逆向工程解密实战 [网络安全自学篇] 六.OllyDbg动态分析工具基础用法及Crakeme逆向破解 [网络安全自学篇] 七.快手视频下载之Chrome浏览器Network分析及Python爬虫探讨 ...

    python笔记,包含从基础语法、socket编程、异步编程、爬虫、ai等

    15_Data analysis目录中的内容可能与11_Project02中的项目相关,后者可能是一个实际的项目,利用Python进行数据抓取(如使用BeautifulSoup或Scrapy框架)和网络爬虫技术,这在数据驱动决策和市场研究中非常常见。...

    初中信息技术课程课件《初识Python》.ppt

    - 网络爬虫:用于抓取网页数据,进行数据挖掘。 - 游戏开发:Python可以用于创建游戏逻辑和部分游戏组件。 4. **Python集成开发环境IDLE** - IDLE是Python自带的轻量级集成开发环境,包含了代码编辑器和Python ...

    Python程序设计初识Pyth....docx

    对于爬虫开发,Python具有强大的网络支持和数据处理库,如BeautifulSoup和Scrapy,使得爬取和分析网络数据成为可能。 Python的简洁性和易学性是其主要优点。与其他低级语言如机器语言和汇编语言相比,Python的代码...

    python 办公自动化学习路线图

    网络爬虫是 Python 办公自动化的重要组成部分,包括初识爬虫、HTML 基础、BeautifulSoup、JSON、带参数请求数据、CSV 与 Excel、Cookie、Selenium 等内容。掌握网络爬虫技术可以大大提高工作效率。 MySQL 数据库...

Global site tag (gtag.js) - Google Analytics