|
|
Δημοσιεύτηκε στις 30/11/2014 4:56:56 μ.μ.
|
|
|
|
[mw_shl_code=java,true]/**
* @author Jack.Wang
*
*/
εισαγωγή java.io.BufferedReader;
εισαγωγή java.io.InputStreamReader;
εισαγωγή java.net.URL;
εισαγωγή java.util.ArrayList;
εισαγωγή java.util.HashMap;
εισαγωγή java.util.HashSet;
εισαγωγή java.util.LinkedHashSet;
εισαγωγή java.util.regex.Matcher;
εισαγωγή java.util.regex.Pattern;
Αναζήτηση για προγράμματα ανίχνευσης ιστού
δημόσια τάξη SearchCrawler υλοποιεί το Runnable {
/*
* Το ρομπότ προσωρινής μνήμης disallowListCache δεν επιτρέπει διευθύνσεις URL αναζήτησης. Το πρωτόκολλο Robot ορίζει ένα αρχείο robots.txt στον ριζικό κατάλογο του ιστότοπου,
* Καθορίζει ποιες σελίδες στον ιστότοπο μπορούν να αναζητηθούν για περιορισμένη αναζήτηση.
* Το πρόγραμμα αναζήτησης θα πρέπει να παραλείψει αυτές τις περιοχές κατά τη διάρκεια της αναζήτησης, εδώ είναι ένα παράδειγμα robots.txt:
* # robots.txt για http://somehost.com/ User-agent:
* Απαγόρευση: /cgi-bin/
* Απαγόρευση: /registration # Απαγόρευση ρομπότ στη σελίδα εγγραφής
* Απαγόρευση: /login
*/
private HashMap<String, ArrayList<String>> disallowListCache = new HashMap<String, ArrayList<String>>();
ArrayList<String> errorList = νέα ArrayList<String>(); Μήνυμα σφάλματος
Αποτέλεσμα ArrayList<String> = new ArrayList<String>(); Αναζήτηση αποτελεσμάτων
Συμβολοσειρά startUrl; Ένα σημείο εκκίνησης για να ξεκινήσετε την αναζήτησή σας
int maxUrl; Ο μέγιστος αριθμός διευθύνσεων URL που υποβάλλονται σε επεξεργασία
Συμβολοσειρά searchString; Συμβολοσειρές για αναζήτηση
boolean caseSensitive = false; Διάκριση πεζών-κεφαλαίων ή όχι
boolean limitHost = false; Αν θα γίνει αναζήτηση σε έναν περιορισμένο κεντρικό υπολογιστή
public SearchCrawler(String startUrl, int maxUrl, String searchString) {
this.startUrl = startUrl;
this.maxUrl = maxUrl;
this.searchString = searchString;
}
public ArrayList<String> getResult() {
αποτέλεσμα επιστροφής?
}
public void run() { // Ξεκινήστε το νήμα αναζήτησης
crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive);
}
Εντοπισμός μορφοποίησης URL
private URL verifyUrl(String url) {
Γίνεται επεξεργασία μόνο των διευθύνσεων URL HTTP.
if (!url.toLowerCase().startsWith("http://"))
επιστροφή null;
URL verifiedUrl = null;
δοκιμάστε {
verifiedUrl = νέα διεύθυνση URL(url);
} catch (Εξαίρεση e) {
επιστροφή null;
}
επιστροφή verifiedUrl;
}
Ανιχνεύει εάν το ρομπότ επιτρέπει την πρόσβαση στη δεδομένη διεύθυνση URL.
private boolean isRobotAllowed(URL urlToCheck) {
Συμβολοσειρά κεντρικού υπολογιστή = urlToCheck.getHost().toLowerCase(); Αποκτήστε τον οικοδεσπότη που δίνει το RUL
System.out.println("host="+host);
Λάβετε μια κρυφή μνήμη με διευθύνσεις URL που ο κεντρικός υπολογιστής σας δεν επιτρέπει την αναζήτηση
ArrayList<String> disallowList = disallowListCache.get(host);
Εάν δεν έχετε ήδη προσωρινή μνήμη, κατεβάστε την και αποθηκεύστε την στην κρυφή μνήμη.
αν (disallowList == null) {
disallowList = νέα ArrayList<String>();
δοκιμάστε {
URL robotsFileUrl = νέα διεύθυνση URL("http://" + κεντρικός υπολογιστής + "/robots.txt");
BufferedReader reader = νέο BufferedReader(
νέο InputStreamReader(robotsFileUrl.openStream()));
Διαβάστε το αρχείο robot για να δημιουργήσετε μια λίστα διαδρομών στις οποίες δεν επιτρέπεται η πρόσβαση.
Γραμμή χορδών;
ενώ ((γραμμή = reader.readLine()) != null) {
if (line.indexOf("Disallow:") == 0) {// Περιέχει "Disallow:"
String disallowPath = line.substring("Απαγόρευση:"
.length()); Λήψη της διαδρομής προς μη επιτρεπόμενη πρόσβαση
Ελέγξτε για σχολιασμούς.
int commentIndex = disallowPath.indexOf("#");
if (commentIndex != -1) {
disallowPath = disallowPath.substring(0,
commentIndex); Κατάργηση του σχολίου
}
disallowPath = disallowPath.trim();
disallowList.add(disallowPath);
}
}
Διαδρομές προσωρινής αποθήκευσης στις οποίες δεν επιτρέπεται η πρόσβαση αυτού του κεντρικού υπολογιστή.
disallowListCache.put(host, disallowList);
} catch (Εξαίρεση e) {
επιστροφή αληθής? Δεν υπάρχουν αρχεία robots.txt στον ριζικό κατάλογο του ιστότοπου και επιστρέφει true
}
}
Αρχείο συμβολοσειράς = urlToCheck.getFile();
System.out.println("Αρχείο getFile()="+αρχείο);
για (int i = 0; i < disallowList.size(); i++) {
Συμβολοσειρά disallow = disallowList.get(i);
if (file.startsWith(disallow)) {
επιστροφή ψευδής?
}
}
επιστροφή αληθής?
}
private String downloadPage(URL pageUrl) {
δοκιμάστε {
Ανοίξτε τη σύνδεση στη διεύθυνση URL για ανάγνωση.
BufferedReader reader = νέος BufferedReader(new InputStreamReader(
pageUrl.openStream()));
Διαβάστε τη σελίδα στο buffer.
Γραμμή χορδών;
StringBuffer pageBuffer = νέο StringBuffer();
ενώ ((γραμμή = reader.readLine()) != null) {
pageBuffer.append(γραμμή);
}
επιστροφή pageBuffer.toString();
} catch (Εξαίρεση e) {
}
επιστροφή null;
}
Καταργήστε το "www" από τη διεύθυνση URL
private String removeWwwFromUrl(String url) {
int index = url.indexOf("://www.");
αν (δείκτης != -1) {
επιστροφή url.substring(0, ευρετήριο + 3) + url.substring(ευρετήριο + 7);
}
επιστροφή (url);
}
Αναλύστε τη σελίδα και βρείτε τον σύνδεσμο
private ArrayList<String> retrieveLinks(URL pageUrl, String pageContents,
HashSet crawledList, boolean limitHost) {
Μεταγλωττίστε το μοτίβο αντιστοίχισης του συνδέσμου με κανονικές εκφράσεις.
Μοτίβο p = Pattern.compile("<a\\s+href\\s*=\\s*\"?(. *?) [\"|>]",
Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(pageContents);
ArrayList<String> linkList = νέα ArrayList<String>();
ενώ (m.find()) {
Σύνδεσμος συμβολοσειράς = m.group(1).trim();
αν (link.length() < 1) {
να συνεχίσει;
}
Παραλείψτε τον σύνδεσμο προς αυτήν τη σελίδα.
if (link.charAt(0) == '#') {
να συνεχίσει;
}
if (link.indexOf("mailto:") != -1) {
να συνεχίσει;
}
if (link.toLowerCase().indexOf("javascript") != -1) {
να συνεχίσει;
}
if (link.indexOf("://") == -1) {
if (link.charAt(0) == '/') {// χειρίζεται απολύτως
σύνδεσμος = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + σύνδεσμος;
} αλλιώς {
Αρχείο συμβολοσειράς = pageUrl.getFile();
if (file.indexOf('/') == -1) {// χειρίζεται σχετικές διευθύνσεις
σύνδεσμος = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + "/" + σύνδεσμος;
} αλλιώς {
Διαδρομή συμβολοσειράς = file.substring(0,
file.lastIndexOf('/') + 1);
σύνδεσμος = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + διαδρομή + σύνδεσμος;
}
}
}
int index = link.indexOf('#');
αν (δείκτης != -1) {
σύνδεσμος = link.substring(0, ευρετήριο);
}
σύνδεσμος = removeWwwFromUrl(σύνδεσμος);
URL verifiedLink = verifyUrl(σύνδεσμος);
αν (verifiedLink == null) {
να συνεχίσει;
}
/* Αν περιορίσετε τους κεντρικούς υπολογιστές, εξαιρέστε τις διευθύνσεις URL που δεν πληρούν τα κριτήρια */
αν (limitHost
&& !pageUrl.getHost().toLowerCase().equals(
verifiedLink.getHost().toLowerCase())) {
να συνεχίσει;
}
Παραλείψτε τους συνδέσμους που έχουν ήδη υποβληθεί σε επεξεργασία.
if (crawledList.contains(link)) {
να συνεχίσει;
}
linkList.add(σύνδεσμος);
}
επιστροφή (linkList);
}
Αναζητήστε το περιεχόμενο μιας ιστοσελίδας που έχετε λάβει για να προσδιορίσετε εάν υπάρχει μια καθορισμένη συμβολοσειρά αναζήτησης στη σελίδα
private boolean searchStringMatches(String pageContents,
String searchString, boolean caseSensitive) {
Συμβολοσειρά searchContents = pageContents;
if (!caseSensitive) {// if χωρίς διάκριση πεζών-κεφαλαίων
searchContents = pageContents.toLowerCase();
}
Μοτίβο p = Pattern.compile("[\\s]+");
Όροι συμβολοσειράς[] = p.split(searchString);
για (int i = 0; I < όροι.μήκος; i++) {
if (διάκριση πεζών-κεφαλαίων) {
if (searchContents.indexOf(terms) == -1) {
επιστροφή ψευδής?
}
} αλλιώς {
if (searchContents.indexOf(terms.toLowerCase()) == -1) {
επιστροφή ψευδής?
}
}
}
επιστροφή αληθής?
}
Εκτελέστε την πραγματική λειτουργία αναζήτησης
public ArrayList<String> crawl(String startUrl, int maxUrls,
String searchString, boolean limithost, boolean caseSensitive) {
HashSet<String> crawledList = νέο HashSet<String>();
LinkedHashSet<String> toCrawlList = νέο LinkedHashSet<String>();
if (maxUrls < 1) {
errorList.add("Μη έγκυρη τιμή μέγιστου αριθμού διευθύνσεων URL.");
System.out.println("Μη έγκυρη τιμή μέγιστου αριθμού διευθύνσεων URL.");
}
αν (searchString.length() < 1) {
errorList.add("Λείπει η συμβολοσειρά αναζήτησης.");
System.out.println("Λείπει η συμβολοσειρά αναζήτησης");
}
αν (errorList.size() > 0) {
System.out.println("err!!");
επιστροφή errorList;
}
Μετακίνηση του www από τη διεύθυνση URL έναρξης
startUrl = κατάργησηWwwFromUrl(startUrl);
toCrawlList.add(startUrl);
ενώ (toCrawlList.size() > 0) {
αν (maxUrls != -1) {
if (crawledList.size() == maxUrls) {
διάλειμμα;
}
}
Λήψη διεύθυνσης URL στο κάτω μέρος της λίστας.
url συμβολοσειράς = toCrawlList.iterator().next();
Καταργήστε τη διεύθυνση URL από τη λίστα ανίχνευσης.
toCrawlList.remove(url);
Μετατροπή url συμβολοσειράς σε αντικείμενο URL.
URL verifiedUrl = verifyUrl(url);
Παραλείψτε τη διεύθυνση URL εάν δεν επιτρέπεται στα ρομπότ να έχουν πρόσβαση σε αυτήν.
αν (!isRobotAllowed(verifiedUrl)) {
να συνεχίσει;
}
Προσθήκη επεξεργασμένων διευθύνσεων URL στο crawledList
crawledList.add(url);
Συμβολοσειρά pageContents = downloadPage(verifiedUrl);
if (pageContents != null && pageContents.length() > 0) {
Λάβετε έναν έγκυρο σύνδεσμο από τη σελίδα
ArrayList<String> links = retrieveLinks(verifiedUrl,
pageContents, crawledList, limitHost);
toCrawlList.addAll(σύνδεσμοι);
if (searchStringMatches(pageContents, searchString,
caseSensitive)) {
result.add(url);
System.out.println(url);
}
}
}
αποτέλεσμα επιστροφής?
}
κύρια λειτουργία
public static void main(String[] args) {
SearchCrawler crawler = νέο SearchCrawler("http://www.itsvse.com/", 100,"Delver_Si");
Αναζήτηση νήματος = νέο νήμα (ανιχνευτής);
System.out.println("Ξεκινήστε την αναζήτηση...");
System.out.println("αποτέλεσμα:");
search.start();
δοκιμάστε {
search.join();
} catch (InterruptedException e) {
TODO Μπλοκ σύλληψης που δημιουργείται αυτόματα
e.printStackTrace();
}
}
}
[/mw_shl_code]
|
-
1.png
(100.02 KB, Αριθμός λήψεων: 591)
-
2.png
(72.18 KB, Αριθμός λήψεων: 596)
-
3.png
(188.46 KB, Αριθμός λήψεων: 606)
Προηγούμενος:Η PHP αντιπροσωπεύει το 82.2% των κορυφαίων ιστότοπων 100WΕπόμενος:Πρόγραμμα προβολής πηγαίου κώδικα Web Java Edition
|
Σπιτονοικοκύρης|
Δημοσιεύτηκε στις 30/11/2014 6:28:24 μ.μ.
|
Δημοσιεύτηκε στις 30/11/2014 5:40:16 μ.μ.
|
