1. import java.io.*;
   
2. import java.net.*;
   
3. import java.util.regex.*;
   
4. 
   
5. public class TEST {
   
6.     private String url_Rege;//url规则
   
7.     private String mail_Rege;//邮箱规则
   
8.     static int num=2;//控制递归深度
   
9.     public TEST() {
   
10.         url_Rege="http://\\w+\\.\\w+\\.\\w+\\.\\w+(/\\w*)*";
    
11.         mail_Rege="\\w+@\\w+(\\.\\w+)+";
    
12.     }
    
13.     public void getMail(String Url) throws Exception {//递归函数
    
14.                 System.out.println("----------------"+num);
    
15.            num--;
    
16.         URL url=new URL(Url);
    
17.         URLConnection conn=url.openConnection();
    
18.         BufferedReader bufr=new BufferedReader(new InputStreamReader(conn.getInputStream()));
    
19.         String line=null;
    
20.         Pattern p=Pattern.compile(url_Rege);
    
21.         Pattern p1=Pattern.compile(mail_Rege);
    
22.         while((line=bufr.readLine())!=null) {
    
23.                     Matcher m1=p1.matcher(line);
    
24.                while(m1.find())
    
25.                 System.out.println(m1.group());//输出邮箱
    
26.             if(num>0) {//没达到深度时
    
27.                 Matcher m=p.matcher(line);
    
28.                 while(m.find()) {
    
29.                     //System.out.println(m.group()+num);
    
30.                       getMail(m.group());//递归
    
31.                                         num++;
    
32.                 }
    
33.             }
    
34.                
    
35.         }
    
36.                 bufr.close();
    
37.     }
    
38.     public static void main(String[] args)throws Exception {
    
39.         new TEST().getMail("http://tieba.baidu.com/p/3699274777");
    
40. 
    
41.     }
    
42. }

复制代码

写了一个递归的网页邮箱爬虫demo，按层递归。思路是传入一个url，读取一行内容，找到里面的邮箱和其他url。如果有其他url，就按前面的步骤递归一次。控制递归的是一个静态成员变量。结果这个只能爬取当前页面的邮箱，有时还有服务器500异常~应该是这个递归写错了，求大神指点！！（按行读取会出现正则获取错误，请无视！）

自己顶一个！

按行读取网页html代码的方式不可取。效率且不论，万一一个邮箱或网页地址被断成2行怎么办？我知道python是有直接读取全部html的函数，java应该也有，百度一下吧

fantacyleo 发表于 2015-5-6 18:19
按行读取网页html代码的方式不可取。效率且不论，万一一个邮箱或网页地址被断成2行怎么办？我知道python是 ...

我知道按行读取是不正确的，实验中已经出错了~现在的主要问题是这个递归写的不对，这个程序连截获的正确URL都读不了~~

求大神帮忙改一下啊~