|
|
Opublikowano 30.11.2014 16:56:56
|
|
|
|
[mw_shl_code=java,true]/**
* @author Jack.Wang
*
*/
import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.URL;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.HashSet;
import java.util.LinkedHashSet;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
Wyszukiwanie wyszukiwarek internetowych
public class SearchCrawler implementuje Runnable {
/*
* robot cache disallowListCache nie pozwala na wyszukiwanie adresów URL. Protokół Robot ustawia plik robots.txt w katalogu głównym strony internetowej,
* Określa, które strony na stronie są przeszukiwalne dla ograniczonego wyszukiwania.
* Program wyszukiwania powinien pominąć te obszary podczas poszukiwań, oto przykład robots.txt:
* # robots.txt dla http://somehost.com/ User-agent:
* Wyłącz: /cgi-bin/
* Zakaz: /rejestracji # Zakaz robotów na stronie rejestracji
* Wyłącz: /login
*/
private HashMap<String, ArrayList<String>> disallowListCache = nowy HashMap<String, ArrayList<String>>();
ArrayList<String> errorList = nowy ArrayList<String>(); Komunikat o błędzie
Wynik ArrayList<String> = nowy ArrayList<String>(); Przeszukane wyniki
String startUrl; Punkt wyjścia do rozpoczęcia poszukiwań
int maxUrl; Maksymalna liczba przetworzonych adresów URL
Wyszukiwanie ciągu znakówString; Ciągi do wyszukiwania
przypadek boole'aSensitive = fałsz; Czy należy być wrażliwym na wielka a wielka litera
granica boole'aHost = fałsz; Czy szukać w obrębie ograniczonego hosta
public SearchCrawler(String startUrl, int maxUrl, String searchString) {
this.startUrl = startUrl;
this.maxUrl = maxUrl;
this.searchString = searchString;
}
public ArrayList<String> getResult() {
Zwróć wynik;
}
public void run() { // Rozpocznij wątek wyszukiwania
crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive);
}
Detect formatting URL
private URL verifyUrl(String url) {
Przetwarzane są tylko adresy HTTP URL.
if (!url.toLowerCase().startsWith("http://"))
return null;
URL verifiedUrl = null;
try {
verifiedUrl = nowy URL(url);
} catch (Wyjątek e) {
return null;
}
return verified URL;
}
Wykrywa, czy robot pozwala na dostęp do danego adresu URL.
private boolean isRobotAllowed(URL urlToCheck) {
String host = urlToCheck.getHost().toLowerCase(); Znajdź hosta, który daje RUL
System.out.println("host="+host);
Zdobądź pamięć podręczną URL, której Twój host nie pozwala na wyszukiwanie
ArrayList<String> disallowList = disallowListCache.get(host);
Jeśli jeszcze nie masz pamięci podręcznej, pobierz ją i zapisz.
if (disallowList == null) {
disallowList = nowy ArrayList<String>();
try {
URL robotsFileUrl = nowy adres URL ("http://" + host + "/robots.txt");
BufferedReader = nowy BufferedReader(
nowy InputStreamReader(robotsFileUrl.openStream()));
Przeczytaj plik robota, aby stworzyć listę ścieżek, do których nie ma dostępu.
Struna;
while ((line = reader.readLine()) != null) {
if (line.indexOf("Disallow:") == 0) {// Czy zawiera "Disallow:"
String disallowPath = line.substring("Disallow:"
.length()); Znajdź ścieżkę do niedozwolonego dostępu
Sprawdź adnotacje.
int commentIndex = disallowPath.indexOf("#");
if (commentIndex != -1) {
disallowPath = disallowPath.substring(0,
commentIndex); Usuń komentarz
}
disallowPath = disallowPath.trim();
disallowList.add(disallowPath);
}
}
Ścieżki pamięci podręcznej, do których ten host nie ma dostępu do środka.
disallowListCache.put(host, disallowList);
} catch (Wyjątek e) {
return true; W katalogu głównym strony nie ma plików robots.txt i zwraca się prawdziwe
}
}
String file = urlToCheck.getFile();
System.out.println("File getFile()="+file);
dla (int i = 0; i < disallowList.size(); i++) {
String disallow = disallowList.get(i);
if (file.startsWith(disallow)) {
return false;
}
}
return true;
}
private String downloadPage(URL pageUrl) {
try {
Otwórz połączenie z adresem URL do czytania.
BufferedReader reader = nowy BufferedReader(nowy InputStreamReader(
pageUrl.openStream()));
Czytaj stronę do bufora.
Struna;
StringBuffer pageBuffer = nowy StringBuffer();
while ((line = reader.readLine()) != null) {
pageBuffer.append(line);
}
return pageBuffer.toString();
} catch (Wyjątek e) {
}
return null;
}
Usuń "www" z adresu URL
private String removeWwwFromUrl(String url) {
int index = url.indexOf("://www.");
if (index != -1) {
return url.substring(0, index + 3) + url.substring(index + 7);
}
return (url);
}
Przeanalizuj stronę i znajdź link
private ArrayList<String> retrieveLinks(URL pageUrl, String pageContents,
HashSet crawledList, boolean limitHost) {
Skompiluj wzorzec dopasowania linku za pomocą wyrażeń regularnych.
Pattern p = Pattern.compile("<a\\s+href\\s*=\\s*\"?(. *?) [\"|>]",
Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(pageContents);
ArrayList<String> linkList = nowy ArrayList<String>();
while (m.find()) {
String link = m.group(1).trim();
if (link.length() < 1) {
kontynuacja;
}
Pomiń link do tej strony.
if (link.charAt(0) == '#') {
kontynuacja;
}
if (link.indexOf("mailto:") != -1) {
kontynuacja;
}
if (link.toLowerCase().indexOf("javascript") != -1) {
kontynuacja;
}
if (link.indexOf("://") == -1) {
if (link.charAt(0) == '/') {// obsługuje absolutnie
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + link;
} else {
String file = pageUrl.getFile();
jeśli (file.indexOf('/') == -1) {// obsługuje względne adresy
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + "/" + link;
} else {
Ścieżka ciągu = file.substring(0,
file.lastIndexOf('/') + 1);
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + path + link;
}
}
}
int index = link.indexOf('#');
if (index != -1) {
link = link.substring(0, indeks);
}
link = removeWwwFromUrl(link);
URL verifiedLink = verifyUrl(link);
if (verifiedLink == null) {
kontynuacja;
}
/* Jeśli ograniczasz hosty, wyklucz te URL, które nie spełniają kryteriów */
if (limitHost
&& !pageUrl.getHost().toLowerCase().równa się(
verifiedLink.getHost().toLowerCase())) {
kontynuacja;
}
Pomiń linki, które już zostały przetworzone.
if (crawledList.contains(link)) {
kontynuacja;
}
linkList.add(link);
}
return (linkList);
}
Przeszukaj zawartość pobranej strony internetowej, aby sprawdzić, czy na niej znajduje się określony ciąg wyszukiwania
prywatne wyszukiwanie booleanStringMatches(Strona ciągu ciągów, Spryt,
String searchString, boolean caseSensitive) {
Wyszukiwanie w ciągu znakówZawartość = stronSaSa;
jeśli (!caseSensitive) {// jeśli nie ma znaczenia na wielka litera
searchContents = pageContents.toLowerCase();
}
Wzorzec p = Pattern.compile("[\\s]+");
String[] terms = p.split(searchString);
dla (int i = 0; i < terminy.length; i++) {
jeśli (caseSensitive) {
if (searchContents.indexOf(terms)) == -1) {
return false;
}
} else {
if (searchContents.indexOf(terms).toLowerCase()) == -1) {
return false;
}
}
}
return true;
}
Wykonaj faktyczną operację wyszukiwania
<String> public ArrayList crawl(String startUrl, int maxUrls,
String searchString, boolean limithost, boolean caseSensitive) {
HashSet<String> crawledList = nowy HashSet<String>();
LinkedHashSet<String> toCrawlList = nowy LinkedHashSet<String>();
if (maxUrls < 1) {
errorList.add("Nieprawidłowa wartość Max URL.");
System.out.println("Nieprawidłowe wartości Max URL.");
}
if (searchString.length() < 1) {
errorList.add("Brakujący ciąg wyszukiwania.");
System.out.println("Brakujący ciąg wyszukiwania");
}
if (errorList.size() > 0) {
System.out.println("err!!");
return errorList;
}
Przenieś www poza adres URL startowy
startUrl = removeWwwFromUrl(startUrl);
toCrawlList.add(startUrl);
while (toCrawlList.size() > 0) {
if (maxUrls != -1) {
if (crawledList.size() == maxUrls) {
przerwę;
}
}
Pobierz adres URL na dole listy.
String url = toCrawlList.iterator().next();
Usuń adres URL z listy do indeksowania.
toCrawlList.remove(url);
Przekonwertuj URL ciągu na obiekt URL.
URL verifiedUrl = verifyUrl(url);
Pomiń URL, jeśli roboty nie mają do niego dostępu.
if (!isRobotAllowed(verifiedUrl)) {
kontynuacja;
}
Dodaj przetworzone adresy URL do crawledList
crawledList.add(url);
String pageContents = downloadPage(verifiedUrl);
if (pageContents != null & pageContents.length() > 0) {
Uzyskaj ważny link ze strony
<String> ArrayList links = retrieveLinks(verifiedUrl,
pageContents, crawledList, limitHost);
toCrawlList.addAll(links);
if (searchStringMatches(pageContents, searchString,
caseSensitive)) {
result.add(url);
System.out.println(url);
}
}
}
Zwróć wynik;
}
Główna funkcja
public static void main(String[] args) {
Crawler SearchCrawler = nowy SearchCrawler ("http://www.itsvse.com/", 100,"Delver_Si");
Wyszukiwanie wątków = nowy wątek (crawler);
System.out.println("Zacznij wyszukiwać...");
System.out.println("result:");
search.start();
try {
search.join();
} catch (InterruptedException e) {
Automatycznie generowany blok chwytu TODO
e.printStackTrace();
}
}
}
[/mw_shl_code]
|
-
1.png
(100.02 KB, Liczba pobranych plików: 591)
-
2.png
(72.18 KB, Liczba pobranych plików: 596)
-
3.png
(188.46 KB, Liczba pobranych plików: 606)
Poprzedni:PHP stanowi 82,2% największych 100W stron internetowychNastępny:Przeglądarka kodu źródłowego Java Edition
|
Ziemianin|
Opublikowano 30.11.2014 18:28:24
|
Opublikowano 30.11.2014 17:40:16
|
