|
|
Pubblicato su 30/11/2014 16:56:56
|
|
|
|
[mw_shl_code=java,true]/**
* @author Jack.Wang
*
*/
importa java.io.BufferedReader;
importare java.io.InputStreamReader;
importa java.net.URL;
import java.util.ArrayList;
importare java.util.HashMap;
importa java.util.HashSet;
importa java.util.LinkedHashSet;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
Cerca i web crawler
SearchCrawler di classe pubblica implementa Runnable {
/*
* disallowListCache cache robot non consente URL cercati. Il protocollo Robot imposta un file robots.txt nella directory radice del sito web,
* Specifica quali pagine del sito sono ricercabili per la ricerca restritta.
* Il programma di ricerca dovrebbe saltare queste aree durante la ricerca, ecco un esempio di robots.txt:
* # robots.txt per http://somehost.com/ User-agent:
* Vieta: /cgi-bin/
* Dispermetto: /registrazione # Dispermesso i robot nella pagina di registrazione
* Disalconsent: /login
*/
private HashMap<String, ArrayList<String>> disallowListCache = new HashMap<String, ArrayList<String>>();
<String> ArrayList errorList = nuovo ArrayList<String>(); Messaggio di errore
<String> Risultato ArrayList = nuovo <String>ArrayList(); Risultati ricercati
Stringa startUrl; Un punto di partenza per iniziare la tua ricerca
int maxUrl; Il numero massimo di URL processati
String searchString; Stringhe da cercare
boolean caseSensitive = falso; Se essere sensibili o meno alle maiuscole e minuscole
limiteHost booleano = falso; Se cercare all'interno di un host ristretto
Public SearchCrawler(String startUrl, int maxUrl, String searchString) {
this.startUrl = startUrl;
this.maxUrl = maxUrl;
this.searchString = searchString;
}
public ArrayList<String> getResult() {
risultato di ritorno;
}
public void run() { // Avvia il thread di ricerca
crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive);
}
Rileva la formattazione URL
private URL verifyUrl(String url) {
Vengono elaborati solo gli URL HTTP.
if (!url.toLowerCase().startsWith("http://"))
return null;
URL verifiedUrl = null;
try {
verifiedUrl = nuovo URL(URL);
} catch (Eccezione e) {
return null;
}
return verifiedUrl;
}
Rileva se il robot consente l'accesso all'URL fornito.
private boolean isRobotAllowed(URL urlToCheck) {
String host = urlToCheck.getHost().toLowerCase(); Prendi l'host che dà la RUL
System.out.println("host="+host);
Ottieni una cache di URL che il tuo host non permette di cercare
ArrayList<String> disallowList = disallowListCache.get(host);
Se non hai già una cache, scaricala e mettila in cache.
if (disallowList == null) {
disallowList = nuova ArrayList<String>();
try {
URL robotsFileUrl = nuovo URL("http://" + host + "/robots.txt");
Lettore BufferedReader = nuovo LettoreBuffered(
nuovo InputStreamReader(robotsFileUrl.openStream()));
Leggi il file robot per creare una lista di percorsi che non sono accessibili.
Linea d'archi;
mentre ((linea = lettore.readLine()) != nullo) {
if (line.indexOf("Disallow:") == 0) {// Contiene "Disallow:"
String disallowPath = line.substring("Disallow:"
.length()); Ottieni il percorso per l'accesso non consentito
Controlla le annotazioni.
int commentIndex = disallowPath.indexOf("#");
if (commentIndex != -1) {
disallowPath = disallowPath.sottostringa(0,
commentoIndice); Rimuovi il commento
}
disallowPath = disallowPath.trim();
disallowList.add(disallowPath);
}
}
Percorsi di cache a cui questo host non è autorizzato a accedere.
disallowListCache.put (host, disallowList);
} catch (Eccezione e) {
ritorno vero; Non ci sono file robots.txt nella directory root del sito web, e restituisce la risposta vera
}
}
File stringa = urlToCheck.getFile();
System.out.println("File getFile()="+file);
per (int i = 0; i < disallowList.size(); i++) {
Stringa disallow = disallowList.get(i);
if (file.startsWith(disallow)) {
return false;
}
}
ritorno vero;
}
private Stringa downloadPage(URL pageUrl) {
try {
Apertura del collegamento all'URL per la lettura.
BufferedReader reader = nuovo BufferedReader(nuovo InputStreamReader(
pageUrl.openStream()));
Leggi la pagina nel buffer.
Linea d'archi;
StringBuffer pageBuffer = nuovo StringBuffer();
mentre ((linea = lettore.readLine()) != nullo) {
pageBuffer.append(linea);
}
return pageBuffer.toString();
} catch (Eccezione e) {
}
return null;
}
Rimuovi "www" dall'URL
private StringeRemoveWwwFromUrl(String url) {
int index = url.indexOf("://www.");
se (indice != -1) {
return url.substring(0, indice + 3) + url.sottostringa(indice + 7);
}
return (url);
}
Analizza la pagina e trova il link
private ArrayList<String> retrieveLinks(URL paginaUrl, Stringa paginaContenuti,
HashSet crawledList, boolean limitHost) {
Compila il pattern corrispondente del link con espressioni regolari.
Pattern p = Pattern.compile("<a\\s+href\\s*=\\s*\"?(. *?) [\"|>]",
Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(pageContents);
<String> ArrayList linkList = nuovo <String>ArrayList();
mentre (m.find()) {
String link = m.group(1).trim();
se (link.length() < 1) {
continuare;
}
Salta il link a questa pagina.
if (link.charAt(0) == '#') {
continuare;
}
if (link.indexOf("mailto:") != -1) {
continuare;
}
if (link.toLowerCase().indexOf("javascript") != -1) {
continuare;
}
if (link.indexOf("://") == -1) {
if (link.charAt(0) == '/') {// gestisce assolutamente
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + link;
} altrimenti {
String file = pageUrl.getFile();
if (file.indexOf('/') == -1) {// gestisce gli indirizzi relativi
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + "/" + link;
} altrimenti {
Percorso stringa = file.sottostringa(0,
file.lastIndexOf('/') + 1);
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + percorso + collegamento;
}
}
}
int index = link.indexOf('#');
se (indice != -1) {
link = link.sottostringa(0, indice);
}
link = removeWwwFromUrl(link);
URL verificatoLink = verifyUrl(link);
if (verifiedLink == null) {
continuare;
}
/* Se limiti gli host, escludi quegli URL che non soddisfano i criteri */
if (limitHost
&& !pageUrl.getHost().toLowerCase().equals(
verifiedLink.getHost().toLowerCase())) {
continuare;
}
Evita quei link già elaborati.
if (crawledList.contains(link)) {
continuare;
}
linkList.add(link);
}
return (linkList);
}
Cerca nel contenuto di una pagina web scaricata per determinare se nella pagina è presente una stringa di ricerca specifica
ricerca booleana privataStringMatches(StringpageContenuti,
StringStringSearch, boolean caseSensitive) {
Stringa ricercaContenuti = paginaContenuti;
if (!caseSensitive) {// if case insensitive
searchContents = paginaContenuti.aMinuscolo();
}
Pattern p = Pattern.compile("[\\s]+");
String[] termini = p.split(searchString);
per (int i = 0; Ho < termini lunghi; i++) {
if (Case Sensitive) {
if (searchContents.indexOf(termini) == -1) {
return false;
}
} altrimenti {
if (searchContents.indexOf(termini.toLowerCase()) == -1) {
return false;
}
}
}
ritorno vero;
}
Esegui l'operazione di ricerca effettiva
public<String> ArrayList crawl(String startUrl, int maxUrls,
StringstringSearchString, boolean limithost, boolean caseSensitive) {
HashSet<String> crawledList = nuovo <String>HashSet();
LinkedHashSet<String> toCrawlList = nuovo <String>LinkedHashSet();
if (maxUrls < 1) {
errorList.add("Invalido valore degli URL Max.");
System.out.println ("Valore Max URL invalido.");
}
se (searchString.length() < 1) {
errorList.add ("Stringa di ricerca mancante.");
System.out.println ("Stringa di ricerca mancante");
}
if (errorList.size() > 0) {
System.out.println("err!!");
return errorList;
}
Sposta www dall'URL iniziale
startUrl = removeWwwFromUrl(startUrl);
toCrawlList.add(startUrl);
while (toCrawlList.size() > 0) {
if (maxUrls != -1) {
if (crawledList.size() == maxUrls) {
pausa;
}
}
Trova l'URL in fondo alla lista.
URL stringa = toCrawlList.iterator().next();
Rimuovi l'URL dalla lista di rastrellamento.
toCrawlList.remove(url);
Converti l'URL della stringa in oggetto URL.
URL verifiedUrl = verifyUrl(url);
Salta l'URL se ai robot non è permesso accedervi.
if (!isRobotAllowed(verifiedUrl)) {
continuare;
}
Aggiungi gli URL elaborati a crawledList
crawledList.add(url);
Stringa paginaContenuti = downloadPage(verifiedUrl);
if (pageContents != null && pageContents.length() > 0) {
Ottieni un link valido dalla pagina
<String> ArrayList link = retrieveLinks(verifiedUrl,
pageContents, crawledList, limitHost);
toCrawlList.addAll(link);
se (searchStringMatches(pageContents, searchString,
SensitiveCaseSensitive)) {
result.add(url);
System.out.println(url);
}
}
}
risultato di ritorno;
}
Funzione principale
Public static void main(String[] args) {
SearchCrawler crawler = nuovo SearchCrawler("http://www.itsvse.com/", 100,"Delver_Si");
Thread search = nuovo thread(crawler);
System.out.println ("Inizia la ricerca...");
System.out.println("risultato:");
search.start();
try {
cerca.join();
} catch (InterruptedException e) {
TODO blocco di presa auto-generato
e.printStackTrace();
}
}
}
[/mw_shl_code]
|
-
1.png
(100.02 KB, Numero di download: 591)
-
2.png
(72.18 KB, Numero di download: 596)
-
3.png
(188.46 KB, Numero di download: 606)
Precedente:PHP rappresenta l'82,2% dei principali siti web di 100WProssimo:Visualizzatore di codice sorgente web Java Edition
|
Padrone di casa|
Pubblicato su 30/11/2014 18:28:24
|
Pubblicato su 30/11/2014 17:40:16
|
