package com.common; //http://127.0.0.1:8080/zz3zcwbwebhome/index.jsp //http://127.0.0.1:8080/zz3zcwbwebhome/reply.jsp import java.util.*; import java.net.*; import java.io.*; import java.util.regex.*; public class SearchCrawler implements Runnable { // error message list 错误信息 ArrayList<String> errorList = new ArrayList<String>(); // search result 搜索到的结果 ArrayList<String> resultList = new ArrayList<String>(); String startUrl;// base URL for searching 开始搜索的起点 String searchString;// searching target String 要搜索的字符串(英文) int maxUrl;// 最大处理的url数 boolean caseSensitive = false; // Case Sensitivity 是否区分大小写 boolean limitHost = false; // limit in host 是否在限制的主机内搜索 HashMap<String, ArrayList<String>> disallowListCache = new HashMap<String, ArrayList<String>>(); public SearchCrawler() { } public SearchCrawler(String startUrl, int maxUrl, String searchString) { this.startUrl = startUrl; this.maxUrl = maxUrl; this.searchString = searchString; } public ArrayList<String> getResultList() { return resultList; } // start crawler thread 启动搜索线程 public void run() { crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive); } // check URL format 检测URL格式 private URL verifyUrl(String url) { // only deal with HTTP 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; } // check accessing URL 检测robot是否允许访问给出的URL. private boolean isRobotAllowed(URL urlToCheck) { // get host URL 获取给出URL的主机 String host = urlToCheck.getHost().toLowerCase(); // not allow to search URL cache from host 获取主机不允许搜索的URL缓存 ArrayList<String> disallowList = disallowListCache.get(host); // if no cache,download and cache 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())); // read robot file and create not allow URL list // 读robot文件,创建不允许访问的路径列表。 String line = ""; String disallowPath = ""; while ((line = reader.readLine()) != null) { // exists disallow 是否包含"Disallow: if (line.indexOf("Disallow:") == 0) { // get not allow access URL 获取不允许访问路径 disallowPath = line.substring("Disallow:".length()); // check comments 检查是否有注释。 int commentIndex = disallowPath.indexOf("#"); if (commentIndex != -1) { // get comments disallowPath = disallowPath.substring(0, commentIndex); } disallowPath = disallowPath.trim();// trim blank disallowList.add(disallowPath); } } disallowListCache.put(host, disallowList); } catch (Exception e) { return true; } } String file = urlToCheck.getFile(); for (int i = 0; i < disallowList.size(); i++) { String disallow = disallowList.get(i); if (file.startsWith(disallow)) { return false; } } return true; } // remove www from URL 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); } // parse page and find link 解析页面并找出链接 private ArrayList<String> retrieveLinks(URL pageUrl, String pageContents, HashSet crawledList, boolean limitHost) { // use regex to match 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; } // jump to page link 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) == '/') {// deal with absolute path 处理绝对地 link = "http://" + pageUrl.getHost() + ":" + pageUrl.getPort() + link; } else { String file = pageUrl.getFile(); if (file.indexOf('/') == -1) {// deal with relative path // 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; } /* * If qualified host, excluding those out condition of the URL * 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; } // jump over those already processing link.跳过那些已经处理的链接. if (crawledList.contains(link)) { continue; } linkList.add(link); } return (linkList); } // Download the content of the Web page search, judgment in the page does // not specify a search string 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) {// not case sensitive 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; } // execute search operation 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; } // remove www from URL 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; } // add deal with URL to crawledList 增加已处理的URL到crawledList crawledList.add(url); String pageContents = downloadPage(verifiedUrl, "gb2312"); 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)) { resultList.add(url); System.out.println(url); } } } return resultList; } public String downloadPage(URL pageUrl) { try { HttpURLConnection conn = (HttpURLConnection) pageUrl.openConnection(); conn.setDoOutput(true); conn.setUseCaches(false); conn.setRequestMethod("GET"); conn.setRequestProperty("User-agent", "Mozilla/5.0 Chrome/18.0.1025.166 Safari/535.19"); conn.connect(); BufferedReader reader = new BufferedReader(new InputStreamReader(conn.getInputStream())); // Read page into buffer. String line; StringBuffer pageBuffer = new StringBuffer(); while ((line = reader.readLine()) != null) { pageBuffer.append(line); } reader.close(); return pageBuffer.toString(); } catch (Exception e) { e.printStackTrace(); } return null; } public String downloadPage(URL pageUrl, String codingPattern) { try { HttpURLConnection conn = (HttpURLConnection) pageUrl.openConnection(); conn.setDoOutput(true); conn.setUseCaches(false); conn.setRequestMethod("GET"); conn.setRequestProperty("User-agent", "Mozilla/5.0 (Linux; Android 4.2.1; Nexus 7 Build/JOP40D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166 Safari/535.19"); conn.connect(); // Open connection to URL for reading. BufferedReader reader = new BufferedReader(new InputStreamReader(pageUrl.openStream(), codingPattern)); // Read page into buffer. String line = ""; StringBuffer pageBuffer = new StringBuffer(); while ((line = reader.readLine()) != null) { pageBuffer.append(line); } reader.close(); return pageBuffer.toString(); } catch (Exception e) { e.printStackTrace(); } return null; } }
相关推荐
Java简单网络爬虫是一种利用编程技术自动从互联网上抓取信息的程序。在这个项目中,我们专注于使用Java语言来创建一个基本的网络爬虫,它能够访问智联招聘网站,并提取出职位名称、公司名称、工作地点以及薪资等关键...
这就是一个最基础的网络爬虫功能。 另外,"WebSpider.rar"可能包含的是整个爬虫项目,除了HTTPClient外,还可能包括解析HTML、提取数据、存储结果等功能的实现。例如,可能会用到Jsoup库解析HTML,或者使用正则...
【网络爬虫基础概念】 网络爬虫,也称为网页蜘蛛或网络机器人,是一种自动化程序,用于遍历互联网上的页面,抓取数据。它遵循HTML页面中的超链接,模拟人类浏览器的行为,从一个页面跳转到另一个页面,收集信息。...
通过本知识点的介绍,读者应能够掌握使用Python编写简单网络爬虫的基本方法,并在实际应用中,根据需求灵活调整和优化爬虫程序。需要注意的是,编写爬虫时应遵循相关法律法规,确保程序的合法性和道德性。
下面是一个使用`urllib`实现的简单网络爬虫示例: ```python import urllib.request def fetch_page(url): # 打开URL并读取页面内容 with urllib.request.urlopen(url) as response: return response.read() ...
Python网络爬虫是一种用于自动化获取网页内容的技术,广泛应用于数据挖掘、信息监控、自动化测试等领域。在本实习报告中,我们将深入探讨Python网络爬虫的相关知识,并通过实例演示如何使用Python爬虫框架来爬取豆瓣...
本文将重点讨论如何使用Java语言简单实现一个网络爬虫。 在Java中实现网络爬虫,我们通常会用到以下关键技术和库: 1. **HTTP通信库**:Java的`HttpURLConnection`类是基础的HTTP客户端接口,但实际开发中,我们更...
网络爬虫,也被称为网页蜘蛛或网络机器人,是自动化地浏览互联网并抓取信息的程序。在Java中,实现网络爬虫是一项常见的任务,尤其对于数据挖掘和数据分析领域。本文档资料将深入探讨如何利用Java语言来构建有效的...
本资源提供的"简单的网络爬虫源码(注释详细)"是一个初学者友好的教程,帮助你理解和实践网络爬虫的基本原理和编程技巧。 首先,我们需要了解网络爬虫的基础概念。网络爬虫,也被称为网页蜘蛛或网络机器人,是一种...
以Python实现简单网络爬虫是一个复杂的过程,它不仅要求编写者具备扎实的编程基础,还需要对网络爬虫技术的相关知识和实现方法有深入的理解。通过构建一个简单的网络爬虫,可以学习到如何利用Python进行数据采集和...
本资源提供了一个完整的Python2.7版本的简单网络爬虫代码,旨在帮助学习者理解和实践爬虫的基本原理。 首先,我们要了解Python爬虫的基本构成。一个基础的Python爬虫通常包括以下部分: 1. **URL管理器**:负责...
【简单的爬虫12】是一个基于Java编程语言的初级网络爬虫项目,旨在提供一个基础的网络数据抓取工具。这个项目的重点在于理解和实践网页抓取的基本原理与技术,为初学者提供一个学习和测试的平台。由于描述中提到...
这本书主要针对初学者,旨在帮助读者掌握Python的基本知识并应用到网络爬虫的实践中。通过学习这本书,读者可以了解到网络爬虫的原理、构建步骤以及在实际中的应用。 网络爬虫,又称网页抓取或数据抓取,是一种自动...
网络爬虫的基本工作原理是首先确定目标网页的地址,然后通过下载网页数据,提取其中的结构化信息,并将其存储或处理。在当前的网络环境中,存在多种开源爬虫供用户选择使用。开源爬虫指的是一些已经开发完善、用户...
### Python网络爬虫技术知识点详解 #### 一、Python网络爬虫技术概览 ##### 1.1 网络爬虫概念与原理 - **定义**:网络爬虫(Web Crawler),也称为网页蜘蛛或自动索引器,是一种按照一定的规则自动地抓取互联网...
### Python网络爬虫基础 #### 1. Python编程语言简介 - Python是一种解释型、面向对象、动态数据类型的高级程序设计语言。 - 特点:简洁易读、丰富的库支持、跨平台等。 - 应用领域广泛,如Web开发、科学计算、数据...
网络爬虫基础知识** 网络爬虫,也称为网络蜘蛛或网络机器人,是按照一定的规则自动地抓取互联网信息的程序。它们通过跟踪网页间的链接,形成一个庞大的链接网络,并从中抓取所需的数据。在网络爬虫中,通常包括URL...
这个项目是为初学者设计的,旨在帮助他们理解网络爬虫的基本概念和实现方式。在这个简单的Java爬虫项目中,我们将探讨以下几个核心知识点: 1. **HTTP协议**:网络爬虫的基础是通过HTTP或HTTPS协议与服务器进行交互...