这里有新鲜出炉的 Java 并发编程示例,程序狗速度看过来!
java 是一种可以撰写跨平台应用软件的面向对象的程序设计语言,是由 Sun Microsystems 公司于 1995 年 5 月推出的 Java 程序设计语言和 Java 平台(即 JavaEE(j2ee), JavaME(j2me), JavaSE(j2se))的总称。
这篇文章主要介绍了 JAVA 使用爬虫抓取网站网页内容的方法, 现在就分享给大家,也给大家做个参考。一起跟随小编过来看看吧。
前言:写这篇文章之前,主要是我看了几篇类似的爬虫写法,有的是用的队列来写,感觉不是很直观,还有的只有一个请求然后进行页面解析,根本就没有自动爬起来这也叫爬虫?因此我结合自己的思路写了一下简单的爬虫。
一 算法简介
程序在思路上采用了广度优先算法,对未遍历过的链接逐次发起 GET 请求,然后对返回来的页面用正则表达式进行解析,取出其中未被发现的新链接,加入集合中,待下一次循环时遍历。
具体实现上使用了 Map<String, Boolean>,键值对分别是链接和是否被遍历标志。程序中使用了两个 Map 集合,分别是:oldMap 和 newMap,初始的链接在 oldMap 中,然后对 oldMap 里面的标志为 false 的链接发起请求,解析页面,用正则取出 <a> 标签下的链接,如果这个链接未在 oldMap 和 newMap 中,则说明这是一条新的链接,同时要是这条链接是我们需要获取的目标网站的链接的话,我们就将这条链接放入 newMap 中,一直解析下去,等这个页面解析完成,把 oldMap 中当前页面的那条链接的值设为 true,表示已经遍历过了。
最后是当整个 oldMap 未遍历过的链接都遍历结束后,如果发现 newMap 不为空,则说明这一次循环有新的链接产生,因此将这些新的链接加入 oldMap 中,继续递归遍历,反之则说明这次循环没有产生新的链接,继续循环下去已经不能产生新链接了,因为任务结束,返回链接集合 oldMap
二 程序实现
上面相关思路已经说得很清楚了,并且代码中关键地方有注释,因此这里就不多说了,代码如下:
- package action;
- import java.io.BufferedReader;
- import java.io.IOException;
- import java.io.InputStream;
- import java.io.InputStreamReader;
- import java.net.HttpURLConnection;
- import java.net.MalformedURLException;
- import java.net.URL;
- import java.util.LinkedHashMap;
- import java.util.Map;
- import java.util.regex.Matcher;
- import java.util.regex.Pattern;
- public class webCrawlerDemo {
- public static void main(String[] args) {
- WebCrawlerDemo webCrawlerDemo = new WebCrawlerDemo();
- webCrawlerDemo.myPrint("http://www.zifangsky.cn");
- }
- public void myPrint(String baseUrl) {
- Map < String,
- Boolean > oldMap = new LinkedHashMap < String,
- Boolean > (); // 存储链接-是否被遍历
- // 键值对
- String oldLinkHost = ""; //host
- Pattern p = Pattern.compile("(https?://)?[^/\\s]*"); //比如:http://www.zifangsky.cn
- Matcher m = p.matcher(baseUrl);
- if (m.find()) {
- oldLinkHost = m.group();
- }
- oldMap.put(baseUrl, false);
- oldMap = crawlLinks(oldLinkHost, oldMap);
- for (Map.Entry < String, Boolean > mapping: oldMap.entrySet()) {
- System.out.println("链接:" + mapping.getKey());
- }
- }
- /**
- * 抓取一个网站所有可以抓取的网页链接,在思路上使用了广度优先算法
- * 对未遍历过的新链接不断发起GET请求,一直到遍历完整个集合都没能发现新的链接
- * 则表示不能发现新的链接了,任务结束
- *
- * @param oldLinkHost 域名,如:http://www.zifangsky.cn
- * @param oldMap 待遍历的链接集合
- *
- * @return 返回所有抓取到的链接集合
- * */
- private Map < String,
- Boolean > crawlLinks(String oldLinkHost, Map < String, Boolean > oldMap) {
- Map < String,
- Boolean > newMap = new LinkedHashMap < String,
- Boolean > ();
- String oldLink = "";
- for (Map.Entry < String, Boolean > mapping: oldMap.entrySet()) {
- System.out.println("link:" + mapping.getKey() + "--------check:" + mapping.getValue());
- // 如果没有被遍历过
- if (!mapping.getValue()) {
- oldLink = mapping.getKey();
- // 发起GET请求
- try {
- URL url = new URL(oldLink);
- HttpURLConnection connection = (HttpURLConnection) url.openConnection();
- connection.setRequestMethod("GET");
- connection.setConnectTimeout(2000);
- connection.setReadTimeout(2000);
- if (connection.getResponseCode() == 200) {
- InputStream inputStream = connection.getInputStream();
- BufferedReader reader = new BufferedReader(new InputStreamReader(inputStream, "UTF-8"));
- String line = "";
- Pattern pattern = Pattern.compile("<a.*?href=[\"']?((https?://)?/?[^\"']+)[\"']?.*?>(.+)</a>");
- Matcher matcher = null;
- while ((line = reader.readLine()) != null) {
- matcher = pattern.matcher(line);
- if (matcher.find()) {
- String newLink = matcher.group(1).trim(); // 链接
- // String title = matcher.group(3).trim(); //标题
- // 判断获取到的链接是否以http开头
- if (!newLink.startsWith("http")) {
- if (newLink.startsWith("/")) newLink = oldLinkHost + newLink;
- else newLink = oldLinkHost + "/" + newLink;
- }
- //去除链接末尾的 /
- if (newLink.endsWith("/")) newLink = newLink.substring(0, newLink.length() - 1);
- //去重,并且丢弃其他网站的链接
- if (!oldMap.containsKey(newLink) && !newMap.containsKey(newLink) && newLink.startsWith(oldLinkHost)) {
- // System.out.println("temp2: " + newLink);
- newMap.put(newLink, false);
- }
- }
- }
- }
- } catch(MalformedURLException e) {
- e.printStackTrace();
- } catch(IOException e) {
- e.printStackTrace();
- }
- try {
- Thread.sleep(1000);
- } catch(InterruptedException e) {
- e.printStackTrace();
- }
- oldMap.replace(oldLink, false, true);
- }
- }
- //有新链接,继续遍历
- if (!newMap.isEmpty()) {
- oldMap.putAll(newMap);
- oldMap.putAll(crawlLinks(oldLinkHost, oldMap)); //由于Map的特性,不会导致出现重复的键值对
- }
- return oldMap;
- }
- }
三 最后的测试效果
PS:其实用递归这种方式不是太好,因为要是网站页面比较多的话,程序运行时间长了对内存的消耗会非常大
来源: http://www.phperz.com/article/17/1125/359695.html