`
playfish
  • 浏览: 285388 次
  • 性别: Icon_minigender_1
  • 来自: 福州
社区版块
存档分类
最新评论

Java写的爬虫的基本程序

    博客分类:
  • Java
阅读更多
这是一个web搜索的基本程序,从命令行输入搜索条件(起始的URL、处理url的最大数、要搜索的字符串),
它就会逐个对Internet上的URL进行实时搜索,查找并输出匹配搜索条件的页面。 这个程序的原型来自《java编程艺术》,
为了更好的分析,站长去掉了其中的GUI部分,并稍作修改以适用jdk1.5。以这个程序为基础,可以写出在互联网上搜索
诸如图像、邮件、网页下载之类的“爬虫”。
先请看程序运行的过程:


D:\java>javac  SearchCrawler.java(编译)

D:\java>java   SearchCrawler http://127.0.0.1:8080/zz3zcwbwebhome/index.jsp 20 java

Start searching...
result:
searchString=java
http://127.0.0.1:8080/zz3zcwbwebhome/index.jsp
http://127.0.0.1:8080/zz3zcwbwebhome/reply.jsp
http://127.0.0.1:8080/zz3zcwbwebhome/learn.jsp
http://127.0.0.1:8080/zz3zcwbwebhome/download.jsp
http://127.0.0.1:8080/zz3zcwbwebhome/article.jsp
http://127.0.0.1:8080/zz3zcwbwebhome/myexample/jlGUIOverview.htm
http://127.0.0.1:8080/zz3zcwbwebhome/myexample/Proxooldoc/index.html
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=301
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=297
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=291
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=286
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=285
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=284
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=276
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=272  

又如:
D:\java>java    SearchCrawler http://www.sina.com  20 java
Start searching...
result:
searchString=java
http://sina.com
http://redirect.sina.com/WWW/sinaCN/www.sina.com.cn class=a2
http://redirect.sina.com/WWW/sinaCN/www.sina.com.cn class=a8
http://redirect.sina.com/WWW/sinaHK/www.sina.com.hk class=a2
http://redirect.sina.com/WWW/sinaTW/www.sina.com.tw class=a8
http://redirect.sina.com/WWW/sinaUS/home.sina.com class=a8
http://redirect.sina.com/WWW/smsCN/sms.sina.com.cn/ class=a2
http://redirect.sina.com/WWW/smsCN/sms.sina.com.cn/ class=a3
http://redirect.sina.com/WWW/sinaNet/www.sina.net/ class=a3


D:\java>
下面是这个程序的源码
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
4 楼 1641606815 2013-07-06  
可以考虑使用HttpClient实现,那都是封装好的东西,使用起来很方便!
3 楼 SE_XiaoFeng 2013-04-16  
yajie 写道
只有对http协议才行,假如有ftp协议呢。
不过写的不错,给你的代码加加油吧

加加油,是什么意思?

2 楼 dongtianlaile 2013-04-07  
如果是https网站,怎么办?
1 楼 yajie 2009-07-21  
只有对http协议才行,假如有ftp协议呢。
不过写的不错,给你的代码加加油吧

相关推荐

    java网络爬虫小程序

    设计并实现crawler 程序 对 crawler 的功能要求如下,但不限于此: (1) 能够搜集本站内的所有网页,能提取出其中的URL 并加入到待搜集的URL 队列 中,对非本网站域名的URL,只允许搜集首页,记录发现的URL 即可;...

    常见网络爬虫的实现,基于Java版获取并收集不同网页信息

    基于Java的网络爬虫实现 1、能够通过10个以内的起始URL爬取1万个不重复的网页; 2、通过文件系统或者数据库系统保存网页; 3、合理使用输入输出类库,采用必要的IO优化策略; 4、使用多线程实现并行爬取,合理使用...

    java爬虫简单实现

    java实现的爬虫程序,有基本的逻辑思路及相应的代码

    java+爬虫+获取网络信息

    随着互联网的发展,数据已经成为了一个非常重要的资源。而对于一些需要大量数据的应用来说,如何获取这些数据就成为了一个非常重要的问题...通过本文的学习,相信读者已经掌握了如何编写Java爬虫程序的基本方法和技巧。

    java爬虫实战项目源码

    这个Java爬虫实战项目源码包含了爬虫框架的基本设计与实现,以及具体爬取网站的实现方法。代码中提供了详细的注释和解释,对于初学者也非常友好。通过这个源码,你可以深入了解Java爬虫的基础知识,学习如何使用Java...

    java实现的网页爬虫1.6版本聚焦爬虫抽取网页完整版

    java实现的网页爬虫1.6版本聚焦爬虫抽取网页完整版 1,几个版本合集; 2,基本上可以完成抽取指定站点的源代码的功能; 3,网址保存到数据库中; 4,源代码写入java文件,保存到硬盘指定目录;

    自己动手写网络爬虫.pdf

    《自己动手写网络爬虫(附光盘)》适用于有java程序设计基础的开发人员。同时也可以作为计算机相关专业本科生或研究生的参考教材。 国内第一本专门讲解网络爬虫开发的书籍介绍如何应用云计算架构开发分布式爬虫

    【计算机课程设计】基于Java网络爬虫(蜘蛛)源码.zip

    网络爬虫(也称为网络蜘蛛)是一种自动化程序,用于在互联网上自动抓取和提取网站信息。Java是一种广泛使用的编程语言,拥有丰富的网络编程库和工具,因此Java非常适合用于编写网络爬虫。下面是一个基于Java的网络...

    最新新浪微博爬虫程序Java版 2015

    该爬虫属于本人2015新作,虽然尚有不足,却具有爬虫的基本雏形,望借鉴

    使用Java创建一个网络爬虫

    网络爬虫是一种用于自动获取网页上信息和数据的程序。在这个实战博客中,我们将创建一个简单的Java网络爬虫,来演示如何从网页上抓取信息。我们将使用Java的核心库以及一些第三方库来帮助我们实现这个爬虫。 以下是...

    自己写的宽度优先的爬虫程序

    自己写的宽度优先的爬虫程序,实现了基本的爬虫功能,直接运行MyCrawler.java文件即可。需要在D盘创建temp文件夹。

    自己动手写网络爬虫 配书光盘

    本光盘是《自己动手写网络爬虫》一书的配书光盘,内容包括了书中讲解的源程序。 本光盘根目录下的chap01~chap10文件夹对应于书中的章名,各章的源程序(.java文件)放在对应的文件夹中。 二、运行环境 本习题...

    爬虫程序开发指南2(java)

    爬虫程序开发指南 sosoo spider开发指南 Sosoo 1.0 网络爬虫程序 ---用户开发手册 编写人:王建华(rimen/jerry) 编写目的:基于sosoo定 制web spider程序的编程人员。 目录 一: 安装sosoo. 2 二:...

    四种网络爬虫的源程序

    搜索引擎中的四种网络爬虫的源程序,基本都是用java来写的

    基于springboot+mybatis的java网络爬虫,一期爬取bilibili站点的一些视频基本信息.zip

    爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的...

    利用爬虫批量下载songtaste歌曲-java实现

    java利用爬虫批量下载songtaste歌曲: 基本原理如下: ①.在一个页面中,利用爬虫,获取到当前页面所有歌曲的id, ②.然后根据歌曲的id,找到下载歌曲的页面,一般url是类似这样子的: ...③....④....⑤....Ps:如果songtaste的网址源...

    网络爬虫Java实现原理

    “网络蜘蛛”或者说“网络爬虫...本文主要讲述如何使用Java编程来构建一个“蜘蛛”,我们会先以一个可复用的蜘蛛类包装一个基本的“蜘蛛”,并在示例程序中演示如何创建一个特定的“蜘蛛”来扫描相关网站并找出死链接。

Global site tag (gtag.js) - Google Analytics