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！