欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Java爬虫实战抓取一个网站上的全部链接

程序员文章站 2024-03-12 10:08:26
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...

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

Java爬虫实战抓取一个网站上的全部链接

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!