黑马程序员技术交流社区

标题: 搜索引擎----Java实现一个简单的网络爬虫 最近正在研究 [打印本页]

作者: pi408637535    时间: 2015-7-16 16:30
标题: 搜索引擎----Java实现一个简单的网络爬虫 最近正在研究
Java实现一个简单的爬虫程序。

package SearchCrawler;

import java.util.*;
import java.net.*;
import java.io.*;
import java.util.regex.*;

/*
*搜索Web爬行者(起始的URL、处理url的最大数、要搜索的字符串)
*/
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();

        }
}




欢迎光临 黑马程序员技术交流社区 (http://bbs.itheima.com/) 黑马程序员IT技术论坛 X3.2