|
|
Publisert på 30.11.2014 16:56:56
|
|
|
|
[mw_shl_code=java,true]/**
* @author Jack.Wang
*
*/
importere java.io.BufferedReader;
importere java.io.InputStreamReader;
importere java.net.URL;
import java.util.ArrayList;
importere java.util.HashMap;
import java.util.HashSet;
import java.util.LinkedHashSet;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
Søk etter nettcrawlere
offentlig klasse SearchCrawler implementerer Runnable {
/*
* disallowListCache cache robot tillater ikke søkte URL-er. Robot-protokollen setter en robots.txt-fil i rotkatalogen til nettstedet,
* Spesifiserer hvilke sider på nettstedet som er søkbare for begrenset søk.
* Søkeprogrammet bør hoppe over disse områdene under søket, her er et eksempel på robots.txt:
* # robots.txt for http://somehost.com/ User-agent:
* Ikke tillate: /cgi-bin/
* Ikke tillatt: /registrering # Ikke tillatt roboter på registreringssiden
* Ikke tillat: /login
*/
privat HashMap<String, ArrayList<String>> disallowListCache = ny HashMap<String, ArrayList<String>>();
ArrayList<String> errorList = ny ArrayList<String>(); Feilmelding
ArrayList-resultat<String> = ny ArrayList<String>(); Søkte resultater
String startUrl; Et utgangspunkt for å starte søket ditt
int maxUrl; Maksimalt antall prosesserte URL-er
String searchString; Strenger å søke etter
boolsk caseSensitive = falsk; Om man skal være case-sensitiv eller ikke
boolsk grenseVert = falsk; Om man skal søke innenfor en begrenset vert
public SearchCrawler(String startUrl, int maxUrl, String searchString) {
this.startUrl = startUrl;
this.maxUrl = maxUrl;
this.searchString = searchString;
}
public ArrayList<String> getResult() {
returresultat;
}
public void run() { // Start søketråden
crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive);
}
Oppdag URL-formatering
privat URL verifyUrl(String url) {
Kun HTTP-URL-er behandles.
hvis (!url.toLowerCase().startsWith("http://"))
returner null;
URL verifiedUrl = null;
try {
verifiedUrl = ny URL(url);
} catch (Unntak e) {
returner null;
}
returnerte verifiedUrl;
}
Oppdager om roboten gir tilgang til den gitte URL-en.
private boolean isRobotAllowed(URL urlToCheck) {
String host = urlToCheck.getHost().toLowerCase(); Få verten som gir RUL
System.out.println("host="+host);
Få en cache med URL-er som verten din ikke tillater søk i
ArrayList<String> disallowList = disallowListCache.get(host);
Hvis du ikke allerede har en cache, last den ned og cache den.
hvis (disallowList == null) {
disallowList = ny ArrayList<String>();
try {
URL robotsFileUrl = ny URL ("http://" + host + "/robots.txt");
BufferedReader reader = ny BufferedReader(
ny InputStreamReader(robotsFileUrl.openStream()));
Les robotfilen for å lage en liste over stier som ikke er tillatt å få tilgang til.
Strenglinje;
mens ((linje = reader.readLine()) != null) {
hvis (line.indexOf("Disallow:") == 0) {// Inneholder den "Disallow:"
Streng disallowPath = line.substring("Disallow:"
.lengde()); Få veien for å nekte tilgang
Sjekk etter merknader.
int commentIndex = disallowPath.indexOf("#");
hvis (commentIndex != -1) {
disallowPath = disallowPath.substring(0,
commentIndex); Fjern kommentaren
}
disallowPath = disallowPath.trim();
disallowList.add (disallowPath);
}
}
Cache-stier som denne verten ikke har tilgang til.
disallowListCache.put(host, disallowList);
} catch (Unntak e) {
returner sann; Det finnes ingen robots.txt filer i rotkatalogen til nettstedet, og den returnerer true
}
}
Strengfil = urlToCheck.getFile();
System.out.println("File getFile()="+file);
for (int i = 0; i < disallowList.size(); i++) {
String disallow = disallowList.get(i);
hvis (file.startsWith(disallow)) {
returner falsk;
}
}
returner sann;
}
privat String downloadPage(URL pageUrl) {
try {
Åpne tilkobling til URL for lesing.
BufferedReader reader = ny BufferedReader (ny InputStreamReader(
pageUrl.openStream()));
Les siden inn i bufferen.
Strenglinje;
StringBuffer pageBuffer = ny StringBuffer();
mens ((linje = reader.readLine()) != null) {
pageBuffer.append(linje);
}
return pageBuffer.toString();
} catch (Unntak e) {
}
returner null;
}
Fjern "www" fra URL-en
private String removeWwwFromUrl(String url) {
int index = url.indexOf("://www.");
hvis (indeks != -1) {
returner url.substring(0, indeks + 3) + url.substring(indeks + 7);
}
return (URL);
}
Analyser siden og finn lenken
privat ArrayList<String> henteLenker(URL pageURL, streng sideinnhold,
HashSet crawledList, boolean limitHost) {
Kompil matchingsmønsteret til lenken med regulære uttrykk.
Mønster p = Pattern.compile("<a\\s+href\\s*=\\s*\"?(. *?) [\"|>]",
Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(pageContents);
ArrayList<String> linkList = ny ArrayList<String>();
mens (m.find()) {
Strenglenke = m.group(1).trim();
hvis (link.length() < 1) {
fortsett;
}
Hopp over lenken til denne siden.
hvis (link.charAt(0) == '#') {
fortsett;
}
hvis (link.indexOf("mailto:") != -1) {
fortsett;
}
hvis (link.toLowerCase().indexOf("javascript") != -1) {
fortsett;
}
hvis (link.indexOf("://") == -1) {
hvis (link.charAt(0) == '/') {// håndterer absolutt
lenke = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + lenke;
} ellers {
Strengfil = pageUrl.getFile();
hvis (file.indexOf('/') == -1) {// håndterer relative adresser
lenke = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + "/" + lenke;
} ellers {
Strengsti = file.substring(0,
file.lastIndexOf('/') + 1);
lenke = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + sti + lenke;
}
}
}
int index = link.indexOf('#');
hvis (indeks != -1) {
link = link.substring(0, indeks);
}
lenke = fjernWwwFromUrl(lenke);
URL verifiedLink = verifyUrl(link);
hvis (verifiedLink == null) {
fortsett;
}
/* Hvis du begrenser verter, ekskluder de URL-ene som ikke oppfyller kriteriene */
hvis (limitHost
&& !pageUrl.getHost().toLowerCase().equals(
verifiedLink.getHost().toLowerCase())) {
fortsett;
}
Hopp over de lenkene som allerede er behandlet.
hvis (crawledList.contains(link)) {
fortsett;
}
linkList.add (lenke);
}
returnere (linkList);
}
Søk i innholdet på en nedlastet nettside for å finne ut om det finnes en spesifisert søkestreng på siden
privat boolsk søkStringMatches(StrengsideInnhold,
String searchString, boolean caseSensitive) {
StrengsøkInnhold = sideInnhold;
hvis (!caseSensitive) {// if case insensitive
searchContents = pageContents.toLowerCase();
}
Mønster p = Pattern.compile("[\\s]+");
String[]-termer = p.split(searchString);
for (int i = 0; Jeg < term.lengde; i++) {
hvis (caseSensitive) {
hvis (searchContents.indexOf(terms) == -1) {
returner falsk;
}
} ellers {
hvis (searchContents.indexOf(terms.toLowerCase()) == -1) {
returner falsk;
}
}
}
returner sann;
}
Utfør selve søkeoperasjonen
offentlig ArrayList<String> crawl(String startUrl, int maxUrls,
String searchString, boolean limithost, boolean caseSensitive) {
HashSet<String> crawledList = ny HashSet<String>();
LinkedHashSet<String> toCrawlList = ny LinkedHashSet<String>();
hvis (maxUrls < 1) {
errorList.add ("Ugyldig maks URL-verdi.");
System.out.println ("Ugyldige maksimale URL-verdi.");
}
hvis (searchString.length() < 1) {
errorList.add ("Manglende søkestreng.");
System.out.println ("Manglende søkestreng");
}
hvis (errorList.size() > 0) {
System.out.println("err!!");
return errorList;
}
Flytt www ut av start-URL-en
startUrl = fjernWwwFromUrl(startUrl);
toCrawlList.add (startUrl);
mens (toCrawlList.size() > 0) {
hvis (maxUrls != -1) {
hvis (crawledList.size() == maxUrls) {
pause;
}
}
Få URL nederst på listen.
String url = toCrawlList.iterator().next();
Fjern URL-en fra gjennomsøkingslisten.
toCrawlList.remove(URL);
Konverter streng-url til URL-objekt.
URL verifiedUrl = verifyUrl(url);
Hopp over URL hvis roboter ikke har tilgang til den.
hvis (!isRobotAllowed(verifiedUrl)) {
fortsett;
}
Legg til behandlede URL-er i crawledList
crawledList.add(url);
Streng pageContents = downloadPage(verifiedUrl);
hvis (pageContents != null && pageContents.length() > 0) {
Få en gyldig lenke fra siden
<String> ArrayList-lenker = henteLenker(verifiedUrl,
pageContents, crawledList, limitHost);
toCrawlList.addAll(lenker);
hvis (searchStringMatches(pageContents, searchString,
caseSensitive)) {
result.add(URL);
System.out.println(url);
}
}
}
returresultat;
}
Hovedfunksjon
offentlig statisk void main(String[] args) {
SearchCrawler crawler = ny SearchCrawler ("http://www.itsvse.com/", 100,"Delver_Si");
Trådsøk = ny tråd (crawler);
System.out.println ("Start søk...");
System.out.println("result:");
search.start();
try {
search.join();
} catch (InterruptedException e) {
TODO Automatisk generert fangstblokk
e.printStackTrace();
}
}
}
[/mw_shl_code]
|
-
1.png
(100.02 KB, Antall nedlastinger: 591)
-
2.png
(72.18 KB, Antall nedlastinger: 596)
-
3.png
(188.46 KB, Antall nedlastinger: 606)
Foregående:PHP står for 82,2 % av de 100W største nettsideneNeste:Java Edition Web Source Code Viewer
|
Vert|
Publisert på 30.11.2014 18:28:24
|
Publisert på 30.11.2014 17:40:16
|
