Java爬虫实战抓取一个网站上的全部链接

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

感谢阅读,希望能帮助到大家,谢谢大家对本站的支持!

以上是 Java爬虫实战抓取一个网站上的全部链接 的全部内容, 来源链接: utcz.com/p/210577.html

回到顶部