|
|
Postitatud 30.11.2014 16:56:56
|
|
|
|
[mw_shl_code=java, tõene]/**
* @author Jack.Wang
*
*/
importida java.io.BufferedReader;
importida java.io.InputStreamReader;
importida java.net.URL;
importida java.util.ArrayList;
importida java.util.HashMap;
importida java.util.HashSet;
importida java.util.LinkedHashSet;
importida java.util.regex.Matcher;
import java.util.regex.Pattern;
Otsi veebikraapijaid
public class SearchCrawler implements Runnable {
/*
* disallowListCache vahemälurobot ei luba otsitud URL-e. Robot protokoll seab robots.txt faili veebilehe juurkaustas,
* Täpsustab, millised saidi lehed on piiratud otsingu jaoks otsitavad.
* Otsinguprogramm peaks otsingu käigus need alad vahele jätma, siin on näide robots.txt:
* # robots.txt http://somehost.com/ Kasutaja-agendi jaoks:
* Keela: /cgi-bin/
* Keela: /registreerimine # Keela robotid registreerimislehel
* Keela: /login
*/
private HashMap<String, ArrayList<String>> disallowListCache = uus HashMap<String, ArrayList<String>>();
ArrayList<String> errorList = uus ArrayList<String>(); Veateate
ArrayList<String> tulemus = uus ArrayList<String>(); Otsitud tulemused
String startUrl; Lähtepunkt otsingu alustamiseks
int maxUrl; Maksimaalne töödeldud URL-ide arv
String searchString; Stringid, mida otsida
boole'i tähteSensitive = väär; Kas olla tähetundlik või mitte
boolean limitHost = väär; Kas otsida piiratud hosti sees
public SearchCrawler(String startUrl, int maxUrl, String searchString) {
this.startUrl = startUrl;
this.maxUrl = maxUrl;
this.searchString = searchString;
}
public ArrayList<String> getResult() {
tagastustulemus;
}
public void run() { // Alusta otsingulõime
crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive);
}
URL-i vormindamise tuvastamine
private URL verifyUrl(String url) {
Töödeldakse ainult HTTP URL-e.
if (!url.toLowerCase().startsWith("http://"))
return null;
URL verifiedUrl = null;
proovi {
verifiedUrl = uus URL(url);
} püüa (Erand e) {
return null;
}
return verifiedUrl;
}
Tuvastab, kas robot lubab ligipääsu antud URL-ile.
private boolean isRobotAllowed(URL urlToCheck) {
String host = urlToCheck.getHost().toLowerCase(); Hangi host, kes annab RUL-i
System.out.println("host="+host);
Hangi URL-ide vahemälu, mida host ei luba otsida
ArrayList<String> disallowList = disallowListCache.get(host);
Kui sul veel vahemälu pole, laadi see alla ja salvesta vahemällu salvestamine.
if (disallowList == null) {
disallowList = uus ArrayList<String>();
proovi {
URL robotsFileUrl = uus URL("http://" + host + "/robots.txt");
BufferedReader = uus BufferedReader(
new InputStreamReader(robotsFileUrl.openStream()));
Loe robotifaili, et luua nimekiri teedest, millele ei ole lubatud ligi pääseda.
Keelpilliliin;
while ((line = reader.readLine()) != null) {
if (line.indexOf("Disallow:") == 0) {// Kas see sisaldab "Disallow:"
String disallowPath = line.substring("Disallow:"
.length()); Hangi tee keelatud ligipääsu juurde
Kontrolli annotatsioone.
int commentIndex = disallowPath.indexOf("#");
if (commentIndex != -1) {
disallowPath = disallowPath.substring(0,
commentIndex); Eemalda kommentaar
}
disallowPath = disallowPath.trim();
disallowList.add(disallowPath);
}
}
Vahemäluteed, millele see host ei tohi ligi pääseda.
disallowListCache.put(host, disallowList);
} püüa (Erand e) {
return true; Veebilehe juurkataloogis pole robots.txt faili ja see tagastab tõe
}
}
Stringifail = urlToCheck.getFile();
System.out.println("fail getFile()="+file);
for (int i = 0; i < disallowList.size(); i++) {
String disallow = disallowList.get(i);
if (file.startsWith(disallow)) {
tagasta vale;
}
}
return true;
}
private String downloadPage(URL pageUrl) {
proovi {
Ava link URL-iga lugemiseks.
BufferedReader = uus BufferedReader(uus InputStreamReader(
pageUrl.openStream())));
Loe lehekülg puhvrisse.
Keelpilliliin;
StringBuffer pageBuffer = uus StringBuffer();
while ((line = reader.readLine()) != null) {
pageBuffer.append(line);
}
return pageBuffer.toString();
} püüa (Erand e) {
}
return null;
}
Eemalda URL-ist "www"
private String removeWwwFromUrl(String url) {
int index = url.indexOf("://www.");
if (indeks != -1) {
return url.substring(0, index + 3) + url.substring(index + 7);
}
return (URL);
}
Analüüsi lehte ja leia link
private ArrayList<String> retrieveLinks(URL pageUrl, string pageContents,
HashSet crawledList, boolean limitHost) {
Koosta lingi sobitusmuster regulaaravaldiste abil.
Pattern p = Pattern.compile("<a\\s+href\\s*=\\s*\"?(. *?) [\"|>]",
Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(pageContents);
ArrayList<String> linkList = uus ArrayList<String>();
samal ajal (m.find()) {
String link = m.group(1).trim();
if (link.length() < 1) {
jätka;
}
Jäta selle lehe link vahele.
if (link.charAt(0) == '#') {
jätka;
}
if (link.indexOf("mailto:") != -1) {
jätka;
}
if (link.toLowerCase().indexOf("javascript") != -1) {
jätka;
}
if (link.indexOf("://") == -1) {
if (link.charAt(0) == '/') {// käsitleb absoluutselt
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + link;
} muidu {
String file = pageUrl.getFile();
if (file.indexOf('/') == -1) {// käsitleb suhtelisi aadresse
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + "/" + link;
} muidu {
Stringi tee = file.substring(0,
file.lastIndexOf('/') + 1);
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + tee + link;
}
}
}
int index = link.indexOf('#');
if (indeks != -1) {
link = link.substring(0, indeks);
}
link = eemalda WwwFromUrl(link);
URL verifiedLink = verifyUrl(link);
if (verifiedLink == null) {
jätka;
}
/* Kui piirad hoste, välista need URL-id, mis ei vasta kriteeriumidele */
kui (limitHost
&& !pageUrl.getHost().toLowerCase().equals(
verifiedLink.getHost().toLowerCase())) {
jätka;
}
Jäta vahele need lingid, mis on juba töödeldud.
if (crawledList.contains(link)) {
jätka;
}
linkList.add(link);
}
return (linkList);
}
Otsi allalaaditud veebilehe sisu, et teada saada, kas lehel on kindel otsingustring
private boolean searchStringMatches(String pageContents,
String searchString, boolean caseSensitive) {
String searchContents = pageContents;
if (!caseSensitive) {// if inshocksensitive
searchContents = pageContents.toLowerCase();
}
Muster p = Pattern.compile("[\\s]+");
String[] terminid = p.split(searchString);
for (int i = 0; Ma < terminid.pikkus; i++) {
if (caseSensitive) {
if (searchContents.indexOf(terms) == -1) {
tagasta vale;
}
} muidu {
if (searchContents.indexOf(terms.toLowerCase()) == -1) {
tagasta vale;
}
}
}
return true;
}
Tee tegelik otsinguoperatsioon
public ArrayList<String> crawl(string startUrl, int maxUrls,
String searchString, boolean limithost, boolean caseSensitive) {
HashSet<String> crawledList = uus HashSet<String>();
LinkedHashSet<String> toCrawlList = uus LinkedHashSet<String>();
if (maxUrls < 1) {
errorList.add("Kehtetud maksimaalse URL-i väärtus.");
System.out.println ("Kehtetud maksimaalsete URL-ide väärtus.");
}
if (searchString.length() < 1) {
errorList.add("Puuduv otsingustring.");
System.out.println ("Puuduv otsingustring");
}
if (errorList.size() > 0) {
System.out.println("err!!");
return errorList;
}
Liiguta www alg-URL-ist välja
startUrl = eemalda WwwFromUrl(startUrl);
toCrawlList.add(startUrl);
while (toCrawlList.size() > 0) {
if (maxUrls != -1) {
if (crawledList.size() == maxUrls) {
paus;
}
}
Leia URL nimekirja allosas.
String url = toCrawlList.iterator().next();
Eemalda URL indekseerimisnimekirjast.
toCrawlList.remove(url);
Teisenda stringi URL-i objektiks.
URL verifiedUrl = verifyUrl(url);
Jäta URL vahele, kui robotitel pole lubatud sellele ligi pääseda.
if (!isRobotAllowed(verifiedUrl)) {
jätka;
}
Lisa töödeldud URL-id CrawledListi
crawledList.add(url);
String pageContents = downloadPage(verifiedUrl);
if (pageContents != null && pageContents.length() > 0) {
Hangi lehelt kehtiv link
ArrayList<String> lingid = retrieveLinks(verifiedUrl,
pageContents, crawledList, limitHost);
toCrawlList.addAll(lingid);
kui (searchStringMatches(pageContents, searchString,
caseSensitive)) {
result.add(URL);
System.out.println(url);
}
}
}
tagastustulemus;
}
Peamine funktsioon
public static void main(String[] args) {
SearchCrawler crawler = uus SearchCrawler("http://www.itsvse.com/", 100,"Delver_Si");
Thread search = uus Thread (roomaja);
System.out.println ("Alusta otsingut...");
System.out.println("tulemus:");
search.start();
proovi {
search.join();
} catch (InterruptedException e) {
TODO Automaatselt genereeritud püügiblokk
e.printStackTrace();
}
}
}
[/mw_shl_code]
|
-
1.png
(100.02 KB, Allalaadimiste arv: 591)
-
2.png
(72.18 KB, Allalaadimiste arv: 596)
-
3.png
(188.46 KB, Allalaadimiste arv: 606)
Eelmine:PHP moodustab 82,2% suurimatest 100W veebilehtedestJärgmine:Java Edition veebilähtekoodi vaatur
|
Üürileandja|
Postitatud 30.11.2014 18:28:24
|
Postitatud 30.11.2014 17:40:16
|
