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!
下一篇: php-fpm开启状态统计的方法详解