走在架构师的大道上 Jack.Wang's home

Java, C++, linux c, C#.net 技术,软件架构,领域建模,IT 项目管理 Dict.CN 在线词典, 英语学习, 在线翻译

BlogJava 首页 新随笔 联系 聚合 管理
  195 Posts :: 3 Stories :: 728 Comments :: 0 Trackbacks
        超简单的 Web 爬虫程序,不过可以在他基础之上改造一下,写出强大点的爬虫!
        谢谢提供程序的 blog 友!
       

/**
 * @author Jack.Wang
 *
 */
import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.URL;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.HashSet;
import java.util.LinkedHashSet;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

// 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) {

  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) {
  SearchCrawler crawler = new SearchCrawler("http://www.blogjava.net/Jack2007/", 20,"jack");
  Thread search = new Thread(crawler);
  System.out.println("Start searching...");
  System.out.println("result:");
  search.start();
  try {
   search.join();
  } catch (InterruptedException e) {
   // TODO Auto-generated catch block
   e.printStackTrace();
  }
 }
}





本博客为学习交流用,凡未注明引用的均为本人作品,转载请注明出处,如有版权问题请及时通知。由于博客时间仓促,错误之处敬请谅解,有任何意见可给我留言,愿共同学习进步。
posted on 2008-03-24 09:32 Jack.Wang 阅读(22958) 评论(4)  编辑  收藏 所属分类: 开发技术

Feedback

# re: 超简单的 Web 爬虫程序(转贴) 2008-08-01 15:45 豚豚
呵呵,正要看这方面的东西呢~
谢谢啦~  回复  更多评论
  

# re: 超简单的 Web 爬虫程序(转贴) 2009-11-11 20:30 张牧宇
有个问题,楼主把爬下来的网页存到硬盘了吗,怎么存?  回复  更多评论
  

# re: 超简单的 Web 爬虫程序(转贴) 2009-11-11 20:31 张牧宇
有个问题,楼主把爬下来的网页存到硬盘了吗,怎么存?

qq 125474591 加好友聊吧  回复  更多评论
  

# re: 超简单的 Web 爬虫程序(转贴) 2016-05-26 19:34 abby
我觉得对于开发者来说,能脚本化编写爬虫是一件挺开心的事情( ̄▽ ̄)"。所以我们团队开发了一个专门让开发者用简单的几行 javascript 就能在云上编写和运行复杂爬虫的系统,叫神箭手云爬虫开发平台: http://www.shenjianshou.cn 。欢迎同行们来试用拍砖,尽情给俺们提意见。有想法的可以加群讨论: 342953471  回复  更多评论
  


只有注册用户登录后才能发表评论。


网站导航: