`
zhangxiang390
  • 浏览: 216645 次
  • 性别: Icon_minigender_1
  • 来自: 武汉
社区版块
存档分类
最新评论

简单好用的网络爬虫spider/crawler

阅读更多
package spider;

import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.URL;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.HashSet;
import java.util.LinkedHashSet;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

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
	@SuppressWarnings("unchecked")
	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) == '/') {// 处理绝对地址
					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) {

		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) {
		SearchCrawler crawler = new SearchCrawler(
				"http://www.blogjava.net/Jack2007/", 20, "jack");
		Thread search = new Thread(crawler);
		System.out.println("Start searching...");
		System.out.println("result:");
		search.start();
		try {
			search.join();
		} catch (InterruptedException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
	}
}

 这个版本不错。

分享到:
评论
1 楼 markos_xju 2012-06-03  
      
学会了

相关推荐

    网络爬虫 C++ Crawler Spider

    网络爬虫,也被称为Web Spider或Crawler,是自动化浏览互联网并抓取信息的一种程序。在C++中实现网络爬虫是一项技术性很强的任务,它涉及到HTTP协议、HTML解析、数据存储等多个领域的知识。本节将深入探讨这些关键点...

    crawler spider web爬虫

    【标题】"Crawler Spider Web爬虫"是一个基于C++实现的网络爬虫项目,它旨在高效地抓取和处理互联网上的网页数据。在互联网的世界里,爬虫是一种自动化程序,能够按照一定的规则遍历网站,收集所需信息,是数据分析...

    Java-Web-crawler-spider.rar_JAVA web 爬虫_Java spider_crawler_spid

    Java Web 爬虫,又称为Java Spider或Crawler,是一种自动抓取互联网信息的程序。在Java领域,实现Web爬虫技术可以帮助开发者获取大量网页数据,进行数据分析、搜索引擎优化、市场研究等多种用途。本资源"Java-Web-...

    用java写的crawler(spider)网络爬虫 源代码

    ### Java编写的网络爬虫(Crawler/Spider)关键知识点解析 #### 一、网络爬虫(Crawler/Spider)概述 网络爬虫(Web Crawler),也称为网页蜘蛛、网络机器人等,是一种按照一定的规则自动抓取万维网信息的程序或者脚本...

    网络爬虫Spider

     什么是网络爬虫(Spider)程序  Spider又叫WebCrawler或者Robot,是一个沿着链接漫游Web 文档集合的程序。它一般驻留在服务器上,通过给定的一些URL,利用HTTP等标准协议读取相应文档,然后以文档中包括的所有未访问...

    网络爬虫程序spider

    网络爬虫,也被称为Web Spider或Web Crawler,是一种自动浏览互联网并收集信息的程序。在信息技术领域,网络爬虫是数据挖掘的重要工具,广泛应用于搜索引擎优化、市场分析、社交媒体监控、网站性能评估等多个场景。 ...

    网络爬虫spider

    网络爬虫,也被称为Web Spider或Web Crawler,是一种自动浏览互联网并收集信息的程序。在IT领域,网络爬虫是数据挖掘和信息提取的重要工具,尤其在搜索引擎优化、市场分析、网站监控等方面有着广泛的应用。 爬虫的...

    一个简单的网络爬虫示例

    首先,网络爬虫(Web Crawler)是通过模拟浏览器与服务器之间的通信来获取网页内容的程序。它们通常遵循一定的规则,如按照HTML链接遍历整个网站或部分网站,抓取所需信息。网络爬虫的应用广泛,包括搜索引擎优化、...

    zhizhu.zip_spider_爬虫_爬虫 软件_网络爬虫

    【标题】"zhizhu.zip_spider_爬虫_爬虫 软件_网络爬虫" 提供的是一份关于网络爬虫的源代码集合,可能是为了促进开发者之间的交流和学习。网络爬虫,也被称为网页抓取或数据抓取,是用于自动浏览互联网并下载网页的...

    Java编写spider网络爬虫程序源码

    Java编写Spider网络爬虫程序是IT领域中一种常见的技术实践,它主要用来自动化地抓取互联网上的信息。在这个源码中,我们可以学习到如何利用Java实现一个基础的网络爬虫,以便于下载指定域名范围内的网页内容,甚至...

    艾伯特Python网络爬虫实战.pdf

    网络爬虫(Web Crawler),又称网络蜘蛛(Web Spider),是一种自动化程序,它的作用是按照一定的规则,自动地抓取互联网信息。网络爬虫在数据采集、搜索引擎的索引建立、网站数据分析等多个领域有着非常广泛的应用...

    py爬虫weibo-crawler-master

    ### py爬虫weibo-crawler-master #### 知识点概览 1. **Python爬虫基础** - Python作为爬虫开发语言的优势。 - 常用Python爬虫库简介。 2. **微博爬虫实现** - 微博数据结构分析。 - 微博API接口调用原理。 ...

    简析搜索引擎中网络爬虫的搜索策略

    网络爬虫(Web Crawler),也被称作Spider、Crawler、robots等,是一种能够根据超链接自动访问互联网上的网页并收集信息的软件程序。它可以按照特定的搜索策略遍历整个互联网空间,从而构建出一个庞大的网页数据库。...

    Laravel开发-crawler

    "Laravel开发-crawler"可能指的是使用Laravel框架开发网络爬虫,也就是数据抓取工具,它能够自动化地遍历互联网上的网页,提取所需信息。履带式(crawler)通常指的是这种自动浏览和抓取网页的程序,它们模拟用户...

    搜索引擎中网络爬虫技术的发展

    网络爬虫,又称Spider或Crawler,是一种利用HTTP协议,根据超级链接和Web文档检索方法遍历万维网信息空间的软件程序。网络爬虫的工作流程通常包括以下几个步骤: 1. **起始URL获取**:网络爬虫首先需要一个或多个...

    自己动手写网络爬虫

    网络爬虫(Web Crawler)又称为网络蜘蛛(Spider),是一种自动化获取网页内容的程序。它的基本工作原理是模拟用户在浏览器的行为,按照一定的规则自动访问和抓取网络上的数据信息。网络爬虫的种类繁多,常见的有...

    py爬虫163spider-master

    ### py爬虫163spider-master:网络爬虫项目详解 #### 一、项目概述 在当前的大数据时代背景下,网络爬虫技术已经成为获取互联网上公开数据的重要手段之一。"py爬虫163spider-master"项目,旨在通过Python语言实现...

Global site tag (gtag.js) - Google Analytics