`
chenshengzun
  • 浏览: 115077 次
  • 性别: Icon_minigender_1
  • 来自: 广州
社区版块
存档分类
最新评论

简单爬虫程序

    博客分类:
  • Java
 
阅读更多
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:
评论

相关推荐

    简易爬虫程序源码

    【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...

    爬取煎蛋网图片的简易爬虫程序(2021.6.28可用)

    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

    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...

    C# 简易爬虫程序 布隆去重算法

    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...

    简单爬虫程序(c++实现)

    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实现一个简单爬虫程序

    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

    简单的爬虫程序

    【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...

    简单的java爬虫程序

    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...

    python 简单网络爬虫程序

    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实现简单爬虫程序

    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。

    自己用php做的一个简单的爬虫程序(带说明)

    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...

    网络爬虫入门程序示例

    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...

    爬虫程序爬虫程序 java 数据挖掘

    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

    "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...

    Java网络爬虫程序(源程序和数据库文件)

    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

    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)**...

    基于Python的网络爬虫程序设计.pdf

    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...

    利用python做的一个简单爬虫程序,可获取python百度百科所有链接内容并以网页的内容显示

    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...

Global site tag (gtag.js) - Google Analytics