import java.util.*;
import java.net.*;
import java.io.*;
import java.util.regex.*;
 
// 搜索Web爬行者，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)
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
         * [url]http://somehost.com/[/url] 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();
 
        }
}

回复 "java web蜘蛛网络爬虫"

这儿你可以回复上面这条便签

作者你的名字是？

标题给你的便签一个标题。

语言你的便签是以

你的便签在这儿输入便签内容

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

// 搜索Web爬行者，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)
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
	 * [url]http://somehost.com/[/url] 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();

}
}

创建短链接创建一个较短的URL，连接到这个便签

私人私人便签不会显示在最近列表中

保存期限我们应该什么时候删除这张便签？

防滥用键入这些字符

Code666 (代码贴、代码片段)

[Java] java web蜘蛛网络爬虫 →→→→→进入此内容的聊天室

回复 "java web蜘蛛网络爬虫"

Code666 (代码贴、代码片段)

[Java] java web蜘蛛 网络爬虫 →→→→→进入此内容的聊天室

回复 "java web蜘蛛 网络爬虫"

[Java] java web蜘蛛网络爬虫 →→→→→进入此内容的聊天室

回复 "java web蜘蛛网络爬虫"