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();
}
}
分享到:
相关推荐
【简易爬虫程序源码】是一种基础的网络爬虫实现,它主要利用.NET框架中的`WebRequest`和`HttpWebResponse`类来与服务器进行交互,获取网页的HTML源代码。在这个过程中,开发者通常会编写代码来模拟用户浏览网页的...
本文将深入探讨一个针对煎蛋网(Douban Eggs)的简易图片爬虫程序,帮助读者理解如何利用Python进行网页爬取,特别是针对特定网站如煎蛋网的图片资源。 煎蛋网是一个以分享趣图、段子为主的娱乐网站,其丰富的图片...
Java编写的简单爬虫程序是一种基础的网络数据抓取工具,它主要利用Java语言的特性,结合网络编程的原理,实现对网页内容的自动化获取。在这个项目中,爬虫程序运用了Socket通信来与服务器建立连接,从而获取HTML网页...
本项目名为"C#简易爬虫程序",其核心在于利用布隆去重算法来处理数据的独特性,确保在抓取网页信息时避免重复。下面将详细阐述爬虫的基本概念、C#实现爬虫的关键技术以及布隆去重算法的工作原理。 首先,爬虫主要由...
csdn博客里看的一个大牛写的简单爬虫程序,vs2010下能编译通过,很不错的。
java实现一个简单的网络爬虫程序,可以抓取网页,并输出网页源代码
【标题】"简单的爬虫程序"揭示了这个项目的核心是一个基于Java编程语言实现的初级网络爬虫。爬虫,或网络爬虫,是自动化抓取互联网信息的一种软件工具,广泛应用于数据分析、信息检索和网站维护等领域。在这个项目中...
这个"简单的Java爬虫程序"提供了从指定URL开始,按照广度优先策略抓取网页并保存到硬盘的功能。下面我们将深入探讨相关知识点。 1. **广度优先搜索(Breadth-First Search, BFS)** 广度优先搜索是图论中的一种算法...
注释清晰 简单易懂 适合刚刚接触网络爬虫以及python语言的初学者
python爬虫抓取网页数据。一个简单的Python爬虫程序,使用requests库来发送HTTP请求,以及BeautifulSoup库来解析HTML内容。
1. **自制简易爬虫程序.doc**:这可能是一个文档,详细介绍了爬虫的实现步骤、代码逻辑和可能遇到的问题。文档中可能会包括PHP爬虫的基本结构,如使用cURL库或者file_get_contents函数发起HTTP请求,使用DOM或...
在这个名为“网络爬虫入门程序示例”的压缩包文件中,我们可以预期包含了一个或多个用于教学目的的简单爬虫程序。"pachong-work"很可能是一个文件夹,里面包含了源代码、数据文件或者相关的文档,帮助学习者理解网络...
根据给定文件的信息,我们可以提炼出以下关于Java爬虫程序及数据挖掘的相关知识点: ### Java爬虫程序概览 #### 一、Sosoo爬虫框架简介 Sosoo是一款用Java编写的开源网络爬虫框架,适用于进行大规模的数据抓取任务...
"爬虫程序设计.zip"这个压缩包包含了一份详细的Python爬虫程序设计报告(Python爬虫程序设计报告.docx)以及一个名为"spidercsdn.zip"的子压缩包,这可能是一个针对特定网站(如CSDN)的爬虫示例。 首先,Python...
在这个"Java网络爬虫程序(源程序和数据库文件)"中,我们看到的是一个完整的爬虫项目,它能够从指定的网页抓取`Title`标签的内容,并将这些信息存储到SQL数据库中。以下是对这个项目中涉及的关键知识点的详细说明:...
Python2爬虫程序工具是一种用于自动化网络数据抓取的软件,它由多个核心组件构成,以高效、系统地从互联网上获取信息。在描述中提到的这些组件是爬虫架构的基础,下面将逐一详细解释: 1. **调度器(Scheduler)**...
本文详细介绍了基于Python语言设计的网络爬虫程序,强调了其针对性强、数据采集速度快和使用简单的优点,并探讨了如何进行后续的数据挖掘研究。 首先,网络爬虫可以分为不同类型的爬虫,包括通用型爬虫、聚焦型爬虫...
Python爬虫程序是一种用于自动化网络数据抓取的工具,它能高效地遍历网页,提取所需信息。在本案例中,我们有一个名为“pypachong”的压缩包,里面包含了一个简单的Python爬虫,用于抓取百度百科上与Python相关的...