|
|
Publicēts 30.11.2014 16:56:56
|
|
|
|
[mw_shl_code=java,true]/**
* @author Jack.Wang
*
*/
importēt java.io.BufferedReader;
importēt java.io.InputStreamReader;
importēt java.net.URL;
importēt java.util.ArrayList;
importēt java.util.HashMap;
importēt java.util.HashSet;
importēt java.util.LinkedHashSet;
importēt java.util.regex.Matcher;
importēt java.util.regex.Pattern;
Tīmekļa rāpuļprogrammu meklēšana
publiskā klase SearchCrawler implements Runnable {
/*
* disallowListCache kešatmiņas robots neļauj meklētos URL. Robota protokols vietnes saknes direktorijā iestata robots.txt failu,
* Norāda, kuras vietnes lapas ir meklējamas ierobežotai meklēšanai.
* Meklēšanas programmai meklēšanas laikā vajadzētu izlaist šīs jomas, šeit ir robots.txt piemērs:
* # robots.txt http://somehost.com/ lietotāja aģentam:
* Aizliegt: /cgi-bin/
* Neatļaut: /registration # Neatļaut robotus reģistrācijas lapā
* Neatļaut: /login
*/
private HashMap<String, ArrayList<String>> disallowListCache = new HashMap<String, ArrayList<String>>();
ArrayList<String> errorList = jauns ArrayList<String>(); Kļūdas ziņojums
ArrayList<String> rezultāts = jauns ArrayList<String>(); Meklētie rezultāti
Virknes startUrl; Sākumpunkts, lai sāktu meklēšanu
int maxUrl; Maksimālais apstrādāto URL skaits
Virkne searchString; Meklējamās virknes
būla caseSensitive = false; Vai reģistrjutīgums
Būla limitsHost = false; Vai meklēt ierobežotā resursdatorā
public SearchCrawler(String startUrl, int maxUrl, String searchString) {
this.startUrl = startUrl;
this.maxUrl = maxUrl;
this.searchString = searchString;
}
public ArrayList<String> getResult() {
atgriezt rezultātu;
}
public void run() { // Sāciet meklēšanas pavedienu
crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive);
}
URL formatējuma noteikšana
private URL verifyUrl(String url) {
Tiek apstrādāti tikai HTTP URL.
if (!url.toLowerCase().startsWith("http://"))
atgriezt null;
URL verifiedUrl = null;
izmēģināt {
verifiedUrl = jauns URL(url);
} nozveja (e izņēmums) {
atgriezt null;
}
atgriezt verifiedUrl;
}
Nosaka, vai robots ļauj piekļūt norādītajam URL.
private boolean isRobotAllowed(URL urlToCheck) {
Virknes resursdators = urlToCheck.getHost().toLowerCase(); Iegūstiet saimnieku, kas dod RUL
System.out.println("host="+host);
Iegūstiet kešatmiņu ar URL, kurus jūsu resursdators neļauj meklēt
ArrayList<String> disallowList = disallowListCache.get(host);
Ja jums vēl nav kešatmiņas, lejupielādējiet un saglabājiet to kešatmiņā.
if (disallowList == null) {
disallowList = jauns ArrayList<String>();
izmēģināt {
URL robotsFileUrl = jauns URL("http://" + resursdators + "/robots.txt");
BufferedReader lasītājs = jauns BufferedReader(
jauns InputStreamReader(robotsFileUrl.openStream()));
Izlasiet robota failu, lai izveidotu sarakstu ar ceļiem, kuriem nav atļauts piekļūt.
Stīgu līnija;
kamēr ((line = reader.readLine()) != null) {
if (line.indexOf("Neatļaut:") == 0) {// Vai tas satur "Neatļaut:"
Virkne disallowPath = line.substring("Neatļaut:"
.garums()); Ceļš uz neatļautu piekļuvi
Pārbaudiet anotācijas.
int commentIndex = disallowPath.indexOf("#");
if (commentIndex != -1) {
disallowPath = disallowPath.substring(0,
komentāru indekss); Noņemt komentāru
}
disallowPath = disallowPath.trim();
disallowList.add(disallowPath);
}
}
Kešatmiņas ceļi, kuriem šim resursdatoram nav atļauts piekļūt.
disallowListCache.put(resursdators, disallowList);
} nozveja (e izņēmums) {
atgriešanās true; Vietnes saknes direktorijā nav robots.txt failu, un tas atgriež true
}
}
Virknes fails = urlToCheck.getFile();
System.out.println("Fails getFile()="+fails);
for (int i = 0; i < disallowList.size(); i++) {
Virkne neatļaut = disallowList.get(i);
if (fails.startsWith(neatļaut)) {
atgriešanās nepatiesa;
}
}
atgriešanās true;
}
private String downloadPage(URL pageUrl) {
izmēģināt {
Atveriet savienojumu ar URL lasīšanai.
BufferedReader reader = jauns BufferedReader(jauns InputStreamReader(
pageUrl.openStream()));
Lasīt lapu buferī.
Stīgu līnija;
StringBuffer pageBuffer = jauns StringBuffer();
kamēr ((line = reader.readLine()) != null) {
pageBuffer.append(rinda);
}
atgriezties pageBuffer.toString();
} nozveja (e izņēmums) {
}
atgriezt null;
}
"www" noņemšana no URL
private String removeWwwFromUrl(String url) {
int indekss = url.indexOf("://www.");
if (indekss != -1) {
atgriezt url.substring(0, indekss + 3) + url.substring(indekss + 7);
}
atgriešanās (URL);
}
Analizējiet lapu un atrodiet saiti
private ArrayList<String> retrieveLinks(URL pageUrl, String pageContents,
HashSet crawledList, boolean limitHost) {
Sastādiet saites atbilstības modeli ar regulārajām izteiksmēm.
Pattern p = Pattern.compile("<a\\s+href\\s*=\\s*\"?(. *?) [\"|>]",
Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(pageContents);
ArrayList<String> linkList = jauns ArrayList<String>();
kamēr (m.find()) {
Virknes saite = m.group(1).trim();
if (link.length() < 1) {
turpināt;
}
Izlaidiet saiti uz šo lapu.
if (link.charAt(0) == '#') {
turpināt;
}
if (link.indexOf("mailto:") != -1) {
turpināt;
}
if (link.toLowerCase().indexOf("javascript") != -1) {
turpināt;
}
if (link.indexOf("://") == -1) {
if (link.charAt(0) == '/') {// rīkojas absolūti
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + saite;
} citādi {
Virknes fails = pageUrl.getFile();
if (file.indexOf('/') == -1) {// apstrādā relatīvās adreses
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + "/" + saite;
} citādi {
Virknes ceļš = file.substring(0,
file.lastIndexOf('/') + 1);
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + ceļš + saite;
}
}
}
int index = link.indexOf('#');
if (indekss != -1) {
saite = link.substring(0, indekss);
}
link = removeWwwFromUrl(saite);
URL verifiedLink = verifyUrl(saite);
if (verifiedLink == null) {
turpināt;
}
/* Ja ierobežojat resursdatorus, izslēdziet tos URL, kas neatbilst kritērijiem */
if (limitHost
&& !pageUrl.getHost().toLowerCase().equals(
verifiedLink.getHost().toLowerCase())) {
turpināt;
}
Izlaidiet tās saites, kas jau ir apstrādātas.
if (crawledList.contains(link)) {
turpināt;
}
linkList.add(saite);
}
atgriešanās (linkList);
}
Meklējiet lejupielādētās tīmekļa lapas saturu, lai noteiktu, vai lapā ir norādīta meklēšanas virkne
private Boolean searchStringMatches(String pageContents,
String searchString, boolean caseSensitive) {
String searchContents = pageContents;
if (!caseSensitive) {// ja reģistrjutīgs
searchContents = pageContents.toLowerCase();
}
Modelis p = Pattern.compile("[\\s]+");
String[] terms = p.split(searchString);
for (int i = 0; i < terminus.garums; i++) {
if (reģistrjutīgs) {
if (searchContents.indexOf(terms) == -1) {
atgriešanās nepatiesa;
}
} citādi {
if (searchContents.indexOf(terms.toLowerCase()) == -1) {
atgriešanās nepatiesa;
}
}
}
atgriešanās true;
}
Veiciet faktisko meklēšanas darbību
public ArrayList<String> crawl(String startUrl, int maxUrls,
String searchString, boolean limithost, boolean caseSensitive) {
HashSet<String> crawledList = jauns HashSet<String>();
LinkedHashSet<String> toCrawlList = jauns LinkedHashSet<String>();
if (maxUrls < 1) {
errorList.add("Nederīga maksimālā URL vērtība.");
System.out.println("Nederīga maksimālā URL vērtība.");
}
if (searchString.length() < 1) {
errorList.add("Trūkst meklēšanas virknes.");
System.out.println("Trūkst meklēšanas virknes");
}
if (errorList.size() > 0) {
System.out.println("kļūda!!");
atgriezties errorList;
}
Pārvietot www no sākuma URL
startUrl = removeWwwFromUrl(startUrl);
toCrawlList.add(startUrl);
kamēr (toCrawlList.size() > 0) {
if (maxUrls != -1) {
if (crawledList.size() == maxUrls) {
pārtraukums;
}
}
Iegūstiet URL saraksta apakšā.
Virknes url = toCrawlList.iterator().next();
Noņemiet URL no pārmeklēšanas saraksta.
toCrawlList.remove(url);
Konvertējiet virknes URL uz URL objektu.
URL verifiedUrl = verifyUrl(url);
Izlaist URL, ja robotiem nav atļauts tam piekļūt.
if (!isRobotAllowed(verifiedUrl)) {
turpināt;
}
Apstrādāto URL pievienošana pārmeklētajam sarakstam
crawledList.add(url);
String pageContents = downloadPage(verifiedUrl);
if (pageContents != null && pageContents.length() > 0) {
Derīgas saites iegūšana no lapas
ArrayList<String> saites = retrieveLinks(verifiedUrl,
pageContents, crawledList, limitHost);
uzCrawlList.addAll(saites);
if (searchStringMatches(pageContents, searchString,
reģistrjutīgs)) {
result.add(URL);
System.out.println(url);
}
}
}
atgriezt rezultātu;
}
Galvenā funkcija
public static void main(String[] args) {
SearchCrawler rāpuļprogramma = jauns SearchCrawler("http://www.itsvse.com/", 100,"Delver_Si");
Thread search = new Thread(crawler);
System.out.println("Sākt meklēt...");
System.out.println("rezultāts:");
meklēt.sākt();
izmēģināt {
search.join();
} nozveja (InterruptedException e) {
TODO Automātiski ģenerēts nozvejas bloks
e.printStackTrace();
}
}
}
[/mw_shl_code]
|
-
1.png
(100.02 KB, Lejupielādes skaits: 591)
-
2.png
(72.18 KB, Lejupielādes skaits: 596)
-
3.png
(188.46 KB, Lejupielādes skaits: 606)
Iepriekšējo:PHP veido 82.2% no populārākajām 100 W vietnēmNākamo:Java Edition tīmekļa avota koda skatītājs
|
Saimnieks|
Publicēts 30.11.2014 18:28:24
|
Publicēts 30.11.2014 17:40:16
|
