|
|
Zveřejněno 30.11.2014 16:56:56
|
|
|
|
[mw_shl_code=java,true]/**
* @author Jack.Wang
*
*/
import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.URL;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.HashSet;
import java.util.LinkedHashSet;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
Vyhledávání webových crawlerů
public class SearchCrawler implements Runnable {
/*
* disallowListCache cache robot neumožňuje vyhledávání v URL. Protokol Robot umístí robots.txt soubor do kořenového adresáře webu,
* Specifikuje, které stránky na webu jsou vyhledávatelné pro omezené vyhledávání.
* Vyhledávací program by měl tyto oblasti během vyhledávání přeskočit, zde je příklad robots.txt:
* # robots.txt pro http://somehost.com/ User-agent:
* Nedovolit: /cgi-bin/
* Zakazovat: /registrace # Zakazovat roboty na registrační stránce
* Zakazovat: /přihlášení
*/
soukromý HashMap<String, ArrayList<String>> disallowListCache = nový HashMap<String, ArrayList<String>>();
ArrayList<String> errorList = nový ArrayList<String>(); Chybová zpráva
Výsledek ArrayList<String> = nový ArrayList<String>(); Výsledky vyhledávání
String startUrl; Výchozí bod, jak začít hledat
int maxUrl; Maximální počet zpracovaných URL
Vyhledávání řetězcůString; Řetězce k vyhledávání
booleovský caseSensitive = nepravdivý; Zda být citlivý na velikost písmen a písmena
booleovský limitHost = nepravdivý; Zda hledat v omezeném hostiteli
public SearchCrawler(String startUrl, int maxUrl, String searchString) {
this.startUrl = startUrl;
this.maxUrl = maxUrl;
this.searchString = searchString;
}
public ArrayList<String> getResult() {
Výsledek vrátit;
}
public void run() { // Spusťte vyhledávací vlákno
crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive);
}
Detekce formátování URL
private URL verifyUrl(String url) {
Zpracovávají se pouze HTTP URL.
if (!url.toLowerCase().startsWith("http://"))
return null;
URL verifiedUrl = null;
try {
verifiedUrl = nová URL(url);
} catch (Exception e) {
return null;
}
return verified URL;
}
Detekuje, zda robot umožňuje přístup k dané URL.
private boolean isRobotAllowed(URL urlToCheck) {
Host řetězce = urlToCheck.getHost().toLowerCase(); Získejte hostitele, který dává RUL
System.out.println("host="+host);
Získejte cache URL, které váš hostitel neumožňuje vyhledávat
ArrayList<String> disallowList = disallowListCache.get(host);
Pokud ještě nemáte cache, stáhněte si ji a uložte do mezipaměti.
if (disallowList == null) {
disallowList = nový ArrayList<String>();
try {
URL robotsFileUrl = nová URL ("http://" + host + "/robots.txt");
BufferedReader reader = nový BufferedReader(
nový InputStreamReader(robotsFileUrl.openStream()));
Přečtěte si robotický soubor a vytvořte si seznam cest, ke kterým není přístup.
Strunová linka;
while ((line = reader.readLine()) != null) {
pokud (line.indexOf("Disallow:") == 0) {// Obsahuje "Disallow:"
String disallowPath = line.substring("Disallow:"
.length()); Získejte cestu k zakázanému přístupu
Zkontrolujte poznámky.
int commentIndex = disallowPath.indexOf("#");
if (commentIndex != -1) {
disallowPath = disallowPath.substring(0,
commentIndex); Odstraňte komentář
}
disallowPath = disallowPath.trim();
disallowList.add(disallowPath);
}
}
Cache cesty, ke kterým tento hostitel nemá přístup.
disallowListCache.put(host, disallowList);
} catch (Exception e) {
return true; V kořenovém adresáři webu nejsou žádné robots.txt soubory a vrací true
}
}
String file = urlToCheck.getFile();
System.out.println("File getFile()="+file);
pro (int i = 0; i < disallowList.size(); i++) {
String disallow = disallowList.get(i);
if (file.startsWith(disallow)) {
return false;
}
}
return true;
}
private String downloadPage(URL pageUrl) {
try {
Otevřete připojení k URL pro čtení.
BufferedReader reader = nový BufferedReader(nový InputStreamReader(
pageUrl.openStream()));
Přečti stránku do bufferu.
Strunová linka;
StringBuffer pageBuffer = nový StringBuffer();
while ((line = reader.readLine()) != null) {
pageBuffer.append(line);
}
return pageBuffer.toString();
} catch (Exception e) {
}
return null;
}
Odstraňte "www" z URL
private String removeWwwFromUrl(String url) {
int index = url.indexOf("://www.");
pokud (index != -1) {
return url.substring(0, index + 3) + url.substring(index + 7);
}
return (url);
}
Rozpracuj stránku a najdi odkaz
private ArrayList<String> retrieveLinks(URL pageUrl, String pageContents,
HashSet crawledList, boolean limitHost) {
Zkompilujte vzor spojení s regulárními výrazy.
Pattern p = Pattern.compile("<a\\s+href\\s*=\\s*"?(. *?) [\"|>]",
Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(pageContents);
ArrayList<String> linkList = nový ArrayList<String>();
zatímco (m.find()) {
String link = m.group(1).trim();
if (link.length() < 1) {
pokračujte;
}
Přeskočte odkaz na tuto stránku.
if (link.charAt(0) == '#') {
pokračujte;
}
if (link.indexOf("mailto:") != -1) {
pokračujte;
}
if (link.toLowerCase().indexOf("javascript") != -1) {
pokračujte;
}
if (link.indexOf("://") == -1) {
pokud (link.charAt(0) == '/') {// je absolutně
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + odkaz;
} jinak {
String file = pageUrl.getFile();
pokud (file.indexOf('/') == -1) {// zpracovává relativní adresy
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + "/" + odkaz;
} jinak {
String path = file.substring(0,
file.lastIndexOf('/') + 1);
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + path + link;
}
}
}
int index = link.indexOf('#');
pokud (index != -1) {
link = link.substring(0, index);
}
link = odstranitWwwFromUrl(link);
URL verifiedLink = verifyUrl(link);
if (verifiedLink == null) {
pokračujte;
}
/* Pokud omezujete hostitele, vylučujte ty URL, které nesplňují kritéria */
if (limitHost
&& !pageUrl.getHost().toLowerCase().equals(
verifiedLink.getHost().toLowerCase())) {
pokračujte;
}
Přeskočte odkazy, které už byly zpracovány.
if (crawledList.contains(link)) {
pokračujte;
}
linkList.add(link);
}
return (linkList);
}
Prohledejte obsah stažené webové stránky, abyste zjistili, zda se na stránce nachází specifikovaný vyhledávací řetězec
soukromé boolean vyhledáváníStringMatches(String pageContents,
String searchString, boolean caseSensitive) {
VyhledáváníObsah řetězce = stránkaObsah;
pokud (!caseSensitive) {// pokud je necitlivé na velká písmena
searchContents = pageContents.toSmallCase();
}
Vzor p = Pattern.compile("[\\s]+");
String[] terms = p.split(searchString);
pro (int i = 0; I < terms.length; i++) {
pokud (caseSensitive) {
if (searchContents.indexOf(terms)) == -1) {
return false;
}
} jinak {
if (searchContents.indexOf(terms).toLowerCase()) == -1) {
return false;
}
}
}
return true;
}
Proveďte skutečnou vyhledávací operaci
public<String> ArrayList crawl(String startUrl, int maxUrls,
String searchString, boolean limithost, boolean caseSensitive) {
HashSet<String> crawledList = nový HashSet<String>();
LinkedHashSet<String> toCrawlList = nový LinkedHashSet<String>();
if (maxUrls < 1) {
errorList.add("Hodnota neplatných Maxů URL.");
System.out.println("Hodnota neplatných Maxů URL.");
}
if (searchString.length() < 1) {
errorList.add("Chybějící vyhledávací řetězec.");
System.out.println("Chybějící vyhledávací řetězec");
}
if (errorList.size() > 0) {
System.out.println("ehm!!");
return errorList;
}
Přesunte www mimo startovací URL
startUrl = odstranitWwwFromUrl(startUrl);
toCrawlList.add(startUrl);
while (toCrawlList.size() > 0) {
if (maxUrls != -1) {
if (crawledList.size() == maxUrls) {
pauza;
}
}
Získejte URL na konci seznamu.
String url = toCrawlList.iterator().next();
Odstraňte URL ze seznamu pro procházení.
toCrawlList.remove(url);
Převést URL řetězce na URL objekt.
URL verifiedUrl = verifyUrl(url);
Přeskočte URL, pokud k ní roboti nemají přístup.
if (!isRobotAllowed(verifiedUrl)) {
pokračujte;
}
Přidejte zpracované URL do crawledList
crawledList.add(url);
String pageContents = downloadPage(verifiedUrl);
if (pageContents != null & pageContents.length() > 0) {
Získejte platný odkaz ze stránky
<String> ArrayList links = retrieveLinks(verifiedUrl,
pageContents, crawledList, limitHost);
toCrawlList.addAll(odkazy);
if (searchStringMatches(pageContents, searchString,
caseSensitive)) {
result.add(url);
System.out.println(url);
}
}
}
Výsledek vrátit;
}
Hlavní funkce
public static void main(String[] args) {
SearchCrawler crawler = nový SearchCrawler ("http://www.itsvse.com/", 100,"Delver_Si");
Vyhledávání v vláknech = nové vlákno (crawler);
System.out.println("Začni hledat...");
System.out.println("result:");
search.start();
try {
search.join();
} catch (InterruptedException e) {
TODO Automaticky generovaný blok zachycení
e.printStackTrace();
}
}
}
[/mw_shl_code]
|
-
1.png
(100.02 KB, Počet stažení: 591)
-
2.png
(72.18 KB, Počet stažení: 596)
-
3.png
(188.46 KB, Počet stažení: 606)
Předchozí:PHP tvoří 82,2 % z 100 největších webůDalší:Java Edition Web Source Code Viewer
|
Pronajímatel|
Zveřejněno 30.11.2014 18:28:24
|
Zveřejněno 30.11.2014 17:40:16
|
