`
flylynne
  • 浏览: 373638 次
  • 性别: Icon_minigender_1
  • 来自: 上海
社区版块
存档分类
最新评论

简单网络爬虫基础功能

    博客分类:
  • JAVA
 
阅读更多
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;
	}
}

 

 

分享到:
评论

相关推荐

    java简单网络爬虫

    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...

    一个简单的网络爬虫示例

    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...

    简单网络爬虫Java代码(借鉴)

    【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。...

    Python与简单网络爬虫的编写 - Python开发技术文章_教程 - 红黑联盟.pdf

    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。

    基于python的网络爬虫简单实现

    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网络爬虫实习报告.pdf

    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...

    网络爬虫网络爬虫

    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...

    网络爬虫文档资料

    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...

    简单的网络爬虫源码(注释详细)

    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...

    基于Python的简单网络爬虫的实现.pdf

    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...

    简单的python爬虫,代码完整

    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

    【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...

    用Python写网络爬虫_用Python写网络爬虫.pdf_

    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...

    Python网络爬虫技术基础知识探讨.pdf

    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 完整教案.docx

    ### 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网络爬虫实战

    ### 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...

    php编写的网络爬虫

    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...

    java网络爬虫,用java做的一个简单的网络爬虫项目

    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...

Global site tag (gtag.js) - Google Analytics