java爬虫系统设计_java搜索---网络爬虫实现

末蓝、 2022-11-06 08:56 137阅读 0赞

View Code

packagecom.sreach.spider;

importjava.io.BufferedWriter;

importjava.io.File;

importjava.io.FileOutputStream;

importjava.io.IOException;

importjava.io.OutputStreamWriter;

importjava.util.regex.Matcher;

importjava.util.regex.Pattern;

publicclassFunctionUtils

/\*\*

\* 匹配超链接的正则表达式

\*/

privatestaticString pat ="http://www\\\\.oschina\\\\.net/code/explore/.\*/\\\\w+\\\\.\[a-zA-Z\]+";

privatestaticPattern pattern = Pattern.compile(pat);

privatestaticBufferedWriter writer =null;

/\*\*

\* 爬虫搜索深度

\*/

publicstaticintdepth =0;

/\*\*

\* 以"/"来分割URL,获得超链接的元素

\* @param url

\* @return

\*/

publicstaticString\[\] divUrl(String url)

returnurl.split("/");

/\*\*

\* 判断是否创建文件

\* @param url

\* @return

\*/

publicstaticbooleanisCreateFile(String url)

Matcher matcher = pattern.matcher(url);

returnmatcher.matches();

/\*\*

\* 创建对应文件

\* @param content

\* @param urlPath

\*/

publicstaticvoidcreateFile(String content, String urlPath)

/\* 分割url \*/

String\[\] elems = divUrl(urlPath);

StringBuffer path =newStringBuffer();

File file =null;

for(inti =1; i

if(i != elems.length -1)

path.append(elems\[i\]);

path.append(File.separator);

file =newFile("D:"+ File.separator + path.toString());

if(i == elems.length -1)

Pattern pattern = Pattern.compile("\\\\w+\\\\.\[a-zA-Z\]+");

Matcher matcher = pattern.matcher(elems\[i\]);

if((matcher.matches()))

if(!file.exists())

file.mkdirs();

String\[\] fileName = elems\[i\].split("\\\\.");

file =newFile("D:"+ File.separator + path.toString()

\+ File.separator + fileName\[0\] +".txt");

try

file.createNewFile();

writer =newBufferedWriter(newOutputStreamWriter(

newFileOutputStream(file)));

writer.write(content);

writer.flush();

writer.close();

System.out.println("创建文件成功");

\}catch(IOException e)

e.printStackTrace();

/\*\*

\* 获取页面的超链接并将其转换为正式的A标签

\* @param href

\* @return

\*/

publicstaticString getHrefOfInOut(String href)

/\* 内外部链接最终转化为完整的链接格式 \*/

String resultHref =null;

/\* 判断是否为外部链接 \*/

if(href.startsWith("http://"))

resultHref = href;

\}else

/\* 如果是内部链接,则补充完整的链接地址,其他的格式忽略不处理,如：a href="\#" \*/

if(href.startsWith("/"))

resultHref ="http://www.oschina.net"+ href;

returnresultHref;

/\*\*

\* 截取网页网页源文件的目标内容

\* @param content

\* @return

\*/

publicstaticString getGoalContent(String content)

intsign = content.indexOf("

String signContent = content.substring(sign);

intstart = signContent.indexOf(">");

intend = signContent.indexOf("

");

returnsignContent.substring(start +1, end);

/\*\*

\* 检查网页源文件中是否有目标文件

\* @param content

\* @return

\*/

publicstaticintisHasGoalContent(String content)

returncontent.indexOf("

HrefOfPage.java 此类为获取页面的超链接View Code

packagecom.sreach.spider;

publicclassHrefOfPage

/\*\*

\* 获得页面源代码中超链接

\*/

publicstaticvoidgetHrefOfContent(String content)

System.out.println("开始");

String\[\] contents = content.split("

for(inti =1; i

intendHref = contents\[i\].indexOf("\\"");

String aHref = FunctionUtils.getHrefOfInOut(contents\[i\].substring(

, endHref));

if(aHref !=null)

String href = FunctionUtils.getHrefOfInOut(aHref);

if(!UrlQueue.isContains(href)

&& href.indexOf("/code/explore") != -1

&& !VisitedUrlQueue.isContains(href))

UrlQueue.addElem(href);

System.out.println(UrlQueue.size() +"--抓取到的连接数");

System.out.println(VisitedUrlQueue.size() +"--已处理的页面数");

UrlDataHanding.java 此类主要是从未访问队列中获取url,下载页面，分析url，保存已访问url等操作，实现Runnable接口View Code

packagecom.sreach.spider;

publicclassUrlDataHandingimplementsRunnable

/\*\*

\* 下载对应页面并分析出页面对应的URL放在未访问队列中。

\* @param url

\*/

publicvoiddataHanding(String url)

HrefOfPage.getHrefOfContent(DownloadPage.getContentFormUrl(url));

publicvoidrun()

while(!UrlQueue.isEmpty())

dataHanding(UrlQueue.outElem());

UrlQueue.java 此类主要是用来存放未访问的URL队列View Code

packagecom.sreach.spider;

importjava.util.LinkedList;

publicclassUrlQueue

/\*\*超链接队列\*/

publicstaticLinkedList urlQueue =newLinkedList();

/\*\*队列中对应最多的超链接数量\*/

publicstaticfinalintMAX\_SIZE =10000;

publicsynchronizedstaticvoidaddElem(String url)

urlQueue.add(url);

publicsynchronizedstaticString outElem()

returnurlQueue.removeFirst();

publicsynchronizedstaticbooleanisEmpty()

returnurlQueue.isEmpty();

publicstaticintsize()

returnurlQueue.size();

publicstaticbooleanisContains(String url)

returnurlQueue.contains(url);

VisitedUrlQueue.java 主要是保存已访问过的URL，使用HashSet来保存，主要是考虑到每个访问过的URL是不同。HashSet刚好符合这个要求View Code

packagecom.sreach.spider;

importjava.util.HashSet;

/\*\*

\* 已访问url队列

\* @author HHZ

\*/

publicclassVisitedUrlQueue

publicstaticHashSet visitedUrlQueue =newHashSet();

publicsynchronizedstaticvoidaddElem(String url)

visitedUrlQueue.add(url);

publicsynchronizedstaticbooleanisContains(String url)

returnvisitedUrlQueue.contains(url);

publicsynchronizedstaticintsize()

returnvisitedUrlQueue.size();

Test.java 此类为测试类View Code

importjava.sql.SQLException;

importcom.sreach.spider.UrlDataHanding;

importcom.sreach.spider.UrlQueue;

publicclassTest

publicstaticvoidmain(String\[\] args)throwsSQLException

String url ="http://www.oschina.net/code/explore/achartengine/client/AndroidManifest.xml";

String url1 ="http://www.oschina.net/code/explore";

String url2 ="http://www.oschina.net/code/explore/achartengine";

String url3 ="http://www.oschina.net/code/explore/achartengine/client";

UrlQueue.addElem(url);

UrlQueue.addElem(url1);

UrlQueue.addElem(url2);

UrlQueue.addElem(url3);

UrlDataHanding\[\] url\_Handings =newUrlDataHanding\[10\];

for(inti =0; i <10; i++)

url\_Handings\[i\] =newUrlDataHanding();

newThread(url\_Handings\[i\]).start();

说明一下：由于我抓取的是针对oschina的，所以里面的url正则表达式不适合其他网站，需要自己修改一下。你也可以写成xml来配置。

java爬虫系统设计_java搜索---网络爬虫实现

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关 Java-网络爬虫(三)

相关 Java-网络爬虫(二)

相关 Java-网络爬虫(一)

相关 java爬虫系统设计_java搜索---网络爬虫实现

相关 java语言分布式爬虫_java分布式爬虫系统

相关 java实现网络爬虫

相关 Java 网络爬虫

相关 Webmagic网络爬虫（JAVA）

相关 Java 爬虫实现

相关 JAVA 实现网络爬虫