|
|
掲載地 2014/11/30 16:56:56
|
|
|
|
[mw_shl_code=java,true]/**
* @author Jack.Wang
*
*/
import java.io.BufferedReader;
import java.io.InputStreamReader;
java.net.URLをインポート;
import java.util.ArrayList;
java.util.HashMap;
import java.util.HashSet;
import java.util.LinkedHashSet;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
ウェブクローラーの検索
public class SearchCrawler は Runnable { を実装します
/*
* disallowListCache キャッシュロボットは検索URLを許可しません。 Robotプロトコルはウェブサイトのルートディレクトリにrobots.txtファイルを設定します。
* サイトのどのページが制限付き検索対象かを指定します。
* 検索プログラムはこれらの領域を検索中にスキップすべきです。以下はrobots.txt例です:
* # http://somehost.com/ ユーザーエージェントへのrobots.txt:
* 禁止: /cgi-bin/
* 禁止: /登録 # 登録ページでロボットを禁止
* 禁止: /ログイン
*/
private HashMap<String, ArrayList<String>> disallowListCache = new HashMap<String, ArrayList<String>>();
ArrayList<String> errorList = new ArrayList<String>(); エラーメッセージ
ArrayList<String> 結果 = new ArrayList<String>(); 検索結果
文字列 startUrl; 検索を始めるための出発点
int maxUrl; 処理された最大URL数
文字列 searchString; 検索する文字列
ブールケースSensitive = false; 大文字に細かく区別するかどうか
ブール限界Host = false; 制限されたホスト内で検索するかどうか
public SearchCrawler(String startUrl, int maxUrl, String searchString) {
this.startUrl = startUrl;
this.maxUrl = maxUrl;
this.searchString = searchString;
}
public ArrayList<String> getResult() {
リターン結果;
}
public void run() { // 検索スレッドを開始
crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive);
}
URLフォーマット検出
private URL verifyUrl(String URL) {
処理されるのはHTTP URLのみです。
if (!url.toLowerCase().startsWith("http://"))
nullを返します;
URL verifiedUrl = null;
試してみて {
verifiedUrl = 新しいURL(URL);
} catch (例外 e) {
nullを返します;
}
return verifiedUrl;
}
ロボットが指定されたURLへのアクセスを許可しているかどうかを検出します。
private boolean isRobotAllowed(URL urlToCheck) {
String host = urlToCheck.getHost().toLowerCase(); RULを出すホストを選びましょう
System.out.println("host="+host);
ホストが検索を許可していないURLのキャッシュを用意しましょう
ArrayList<String> disallowList = disallowListCache.get(host);
もしまだキャッシュを持っていなければ、ダウンロードしてキャッシュしてください。
もし(disallowList == null) {
disallowList = new ArrayList<String>();
試してみて {
URL robotsFileUrl = 新しいURL("http://" + host + "/robots.txt");
BufferedReader = 新しいBufferedReader(
新しいInputStreamReader(robotsFileUrl.openStream());
ロボットファイルを読んで、アクセスできないパスのリストを作成します。
ストリングライン;
while ((line = reader.readLine()) != null) {
if (line.indexOf("Disallow:") == 0) {// "Disallow:" を含むか?
文字列 disallowPath = line.substring("Disallow:"
.length()); アクセス禁止へのパスを入手してください
注釈を確認してください。
int commentIndex = disallowPath.indexOf("#");
もし(commentIndex != -1) {
disallowPath = disallowPath.substring(0,
commentIndex); コメントを削除してください
}
disallowPath = disallowPath.trim();
disallowList.add(disallowPath);
}
}
このホストがアクセスできないキャッシュパス。
disallowListCache.put(host, disallowList);
} catch (例外 e) {
真を返す; ウェブサイトのルートディレクトリにはrobots.txtファイルがなく、trueを返します
}
}
String file = urlToCheck.getFile();
System.out.println("File getFile()="+file);
(int i = 0; 私は< disallowList.size(); i++) {
文字列 disallow = disallowList.get(i);
if (file.startsWith(disallow)) {
Return false;
}
}
真を返す;
}
private String downloadPage(URL pageUrl) {
試してみて {
URLへの接続を開いて読み込みます。
BufferedReader リーダー = 新しいBufferedReader(新しいInputStreamReader(
pageUrl.openStream());
バッファにページを読み込みます。
ストリングライン;
StringBuffer pageBuffer = 新しいStringBuffer();
while ((line = reader.readLine()) != null) {
pageBuffer.append(line);
}
return pageBuffer.toString();
} catch (例外 e) {
}
nullを返します;
}
URLから「www」を削除する
private String removeWwwFromUrl(String url) {
int index = url.indexOf("://www.");
もし(添字!= -1) {
url.substring(0, index + 3) + url.substring(index + 7)を返します;
}
return(URL);
}
ページを解析してリンクを見つけてください
プライベート ArrayList<String> retrieveLinks(URL pageUrl, String pageContents,
HashSet crawledList, boolean limitHost) {
リンクの一致パターンを正規表現でまとめます。
Pattern p = Pattern.compile("<a\\s+href\\s*=\\s*"?(。 *?)[\"|>]",
Pattern.CASE_INSENSITIVE);
マッチャー m = p.matcher(pageContents);
ArrayList<String> linkList = new ArrayList<String>();
一方 (m.find()) {
String link = m.group(1).trim();
もし(link.length() < 1) {
続けてください;
}
このページのリンクは飛ばしてください。
if(link.charAt(0) == '#') {
続けてください;
}
if (link.indexOf("mailto:") != -1) {
続けてください;
}
if (link.toLowerCase().indexOf("javascript") != -1) {
続けてください;
}
if(link.indexOf("://") == -1) {
if(link.charAt(0) == '/') {// は絶対的に処理します
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + リンク;
} そうでなければ {
String file = pageUrl.getFile();
if (file.indexOf('/') == -1) {// 相対アドレスを扱います
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + "/" + リンク;
} そうでなければ {
String path = file.substring(0,
file.lastIndexOf('/') + 1);
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + パス + リンク;
}
}
}
int index = link.indexOf('#');
もし(添字!= -1) {
link = link.substring(0, index);
}
リンク = removeWwwFromUrl(リンク);
URL verifiedLink = verifyUrl(link);
もし(verifiedLink == null) {
続けてください;
}
/* ホストを制限する場合は、基準を満たさないURLは除外してください */
もし(limitHost
&& !pageUrl.getHost().toLowerCase().equals(
verifiedLink.getHost().toLowerCase())) {
続けてください;
}
すでに処理されたリンクはスキップしてください。
if (crawledList.contains(link)) {
続けてください;
}
linkList.add(リンク);
}
return(linkList);
}
ダウンロードしたウェブページの内容を検索し、指定された検索文字列があるかどうかを確認しましょう
プライベートブール値検索StringMatches(String pageContents,
String searchString, boolean caseSensitive) {
文字列検索 Contents = pageContents;
もし(!caseSensitive) {// もし大文字を区別しないなら
searchContents = pageContents.toLowerCase();
}
パターンp = Pattern.compile("[\\s]+");
String[] terms = p.split(searchString);
(int i = 0; 私は terms.length を <; i++) {
もし(caseSensitive) { の場合
if (searchContents.indexOf(terms) == -1) {
Return false;
}
} そうでなければ {
if (searchContents.indexOf(terms.toLowerCase()) == -1) {
Return false;
}
}
}
真を返す;
}
実際の探索操作を実行してください
public ArrayList<String> crawl(String startUrl, int maxUrls,
String searchString, boolean limithost, boolean caseSensitive) {
HashSet<String> crawledList = new HashSet<String>();
LinkedHashSet<String> toCrawlList = new LinkedHashSet<String>();
もし(maxUrls < 1) {
errorList.add("Invalid Max URLs value.");
System.out.println("Invalid Max URLs value.");
}
もし(searchString.length() < 1) {
errorList.add("検索文字列が欠けている");
System.out.println("検索文字列が欠けている");
}
もし (errorList.size() > 0) {
System.out.println("err!!");
errorListを返す;
}
wwwを開始URLから移動する
startUrl = removeWwwFromUrl(startUrl);
toCrawlList.add(startUrl);
while (toCrawlList.size() > 0) {
もし(maxUrls != -1) {
if (crawledList.size() == maxUrls) {
休憩;
}
}
URLはリストの一番下に掲載されています。
String URL = toCrawlList.iterator().next();
クロールリストからURLを削除してください。
toCrawlList.remove(url);
文字列URLをURLオブジェクトに変換します。
URL verifiedUrl = verifyUrl(URL);
ロボットがアクセスできないURLはスキップしてください。
if(!isRobotAllowed(verifiedUrl)){
続けてください;
}
処理済みURLをcrawledListに追加してください
crawledList.add(url);
文字列ページ内容 = downloadPage(verifiedUrl);
if(pageContents != null && pageContents.length() > 0) {
ページから有効なリンクを取得してください
ArrayList<String> links = retrieveLinks(verifiedUrl,
pageContents、crawledList、limitHost);
toCrawlList.addAll(リンク);
もし(searchStringMatches(pageContents, searchString,
caseSensitive)) {
result.add(URL);
System.out.println(url);
}
}
}
リターン結果;
}
主な機能
public static void main(String[] args) {
SearchCrawler クローラー = 新しいSearchCrawler("http://www.itsvse.com/", 100,"Delver_Si");
Thread search = 新しいThread(クローラー);
System.out.println("検索を始め...");
System.out.println("result:");
search.start();
試してみて {
search.join();
} catch (InterruptedException e) {
TODO自動生成キャッチブロック
e.printStackTrace();
}
}
}
[/mw_shl_code]
|
-
1.png
(100.02 KB, ダウンロード数: 591)
-
2.png
(72.18 KB, ダウンロード数: 596)
-
3.png
(188.46 KB, ダウンロード数: 606)
先の：PHPはトップ100Wのウェブサイトの82.2%を占めています次に：Java エディション ウェブソースコードビューア
|
地主|
掲載地 2014/11/30 18:28:24
|
掲載地 2014/11/30 17:40:16
|
