|
|
Publicado em 30/11/2014 16:56:56
|
|
|
|
[mw_shl_code=java,true]/**
* @author Jack.Wang
*
*/
importar java.io.BufferedReader;
importar java.io.InputStreamReader;
importar java.net.URL;
importar java.util.ArrayList;
importar java.util.HashMap;
importar java.util.HashSet;
importar java.util.LinkedHashSet;
import java.util.regex.Matcher;
importar java.util.regex.Pattern;
Procure por rastreadores web
classe pública SearchCrawler implementa Runnable {
/*
* o robô cache disallowListCache não permite URLs pesquisadas. O protocolo Robot define um arquivo robots.txt na diretório raiz do site,
* Especifica quais páginas do site são pesquisáveis para busca restrita.
* O programa de busca deve pular essas áreas durante a busca, aqui está um exemplo de robots.txt:
* # robots.txt para http://somehost.com/ User-agent:
* Proibir: /cgi-bin/
* Proibir: /registro # Proibir robôs na página de registro
* Disallow: /login
*/
private HashMap<String, ArrayList<String>> disallowListCache = new HashMap<String, ArrayList<String>>();
<String> ArrayList erroLista = novo ArrayList<String>(); Mensagem de erro
<String> Resultado de ArrayList = novo <String>ArrayList(); Resultados pesquisados
String startUrl; Um ponto de partida para iniciar sua busca
int maxUrl; O número máximo de URLs processadas
String searchString; Strings para buscar
booleano Sensível ao caso = falso; Se deve ou não ser sensível a maiúsculas minúsculas
boolean limitHost = false; Se deve pesquisar dentro de um hospedeiro restrito
Public SearchCrawler(String startUrl, int maxUrl, String searchString) {
this.startUrl = startUrl;
this.maxUrl = maxUrl;
this.searchString = searchString;
}
public ArrayList<String> getResult() {
resultado do retorno;
}
public void run() { // Iniciar o tópico de busca
crawl(startUrl, maxUrl, searchString, limitHost, majúsculaSensitiva);
}
Detectar formatação de URL
private URL verifyUrl(String url) {
Apenas URLs HTTP são processadas.
if (!url.url.toLowerCase().startsWith("http://"))
return null;
URL verificadaUrl = null;
try {
verifiedUrl = nova URL(url);
} captura (Exceção e) {
return null;
}
return verifiedUrl;
}
Detecta se o robô permite acesso à URL fornecida.
private boolean isRobotAllowed(URL urlToCheck) {
String host = urlToCheck.getHost().toLowerCase(); Pegue o host que dá o RUL
System.out.println("host="+host);
Obtenha um cache de URLs que seu host não permite pesquisar
ArrayList<String> disallowList = disallowListCache.get(host);
Se você ainda não tem cache, baixe e coloque em cache.
if (disallowList == null) {
disallowList = nova ArrayList<String>();
try {
URL robotsFileUrl = nova URL("http://" + host + "/robots.txt");
Leitor BufferedReader = novo BufferedReader(
novo InputStreamReader(robotsFileUrl.openStream()));
Leia o arquivo robô para criar uma lista de caminhos que não podem ser acessados.
Linha de cordas;
enquanto ((linha = leitor.readLine()) != nulo) {
if (line.indexOf("Disallow:") == 0) {// Contém "Disallow:"
String disallowPath = linha.substring("Disallow:"
.length()); Obtenha o caminho para acesso proibido
Verifique as anotações.
int commentIndex = disallowPath.indexOf("#");
if (commentIndex != -1) {
disallowPath = disallowPath.substring(0,
comentáriosÍndice); Remova o comentário
}
disallowPath = disallowPath.trim();
disallowList.add(disallowPath);
}
}
Caminhos de cache que esse host não tem permissão para acessar.
disallowListCache.put (host, disallowList);
} captura (Exceção e) {
retorno verdadeiro; Não há arquivos robots.txt no diretório raiz do site, e ele retorna true
}
}
String file = urlToCheck.getFile();
System.out.println("File getFile()="+file);
para (int i = 0; i < disallist.size(); i++) {
String disallow = disallowList.get(i);
if (file.startsWith(disallow)) {
retorne falso;
}
}
retorno verdadeiro;
}
private String downloadPage(URL pageUrl) {
try {
Abrir a conexão para a URL para leitura.
Leitor BufferedReader = novo BufferedReader(novo InputStreamReader(
pageUrl.openStream()));
Leia a página para o buffer.
Linha de cordas;
StringBuffer pageBuffer = novo StringBuffer();
enquanto ((linha = leitor.readLine()) != nulo) {
pageBuffer.append(linha);
}
return pageBuffer.toString();
} captura (Exceção e) {
}
return null;
}
Remova "www" da URL
private String removeWwwFromUrl(String url) {
int index = url.indexOf("://www.");
if (índice != -1) {
return url.substring(0, index + 3) + url.substring(index + 7);
}
return (url);
}
Analise a página e encontre o link
private ArrayList<String> retrieveLinks(URL páginaUrl, String páginaConteúdo,
HashSet crawledList, boolean limitHost) {
Compile o padrão correspondente do link com expressões regulares.
Padrão p = Pattern.compile("<a\\s+href\\s*=\\s*\"?(. *?) [\"|>]",
Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(pageContents);
<String> ArrayList linkList = novo <String>ArrayList();
enquanto (m.find()) {
Link da cadeia = m.group(1).trim();
se (link.length() < 1) {
continue;
}
Pule o link para esta página.
if (link.charAt(0) == '#') {
continue;
}
if (link.indexOf("mailto:") != -1) {
continue;
}
if (link.toLowerCase().indexOf("javascript") != -1) {
continue;
}
if (link.indexOf("://") == -1) {
if (link.charAt(0) == '/') {// lida com absolutamente
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + link;
} else {
Arquivo string = pageUrl.getFile();
if (file.indexOf('/') == -1) {// lida com endereços relativos
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + "/" + link;
} else {
Caminho da cadeia = file.substring(0,
file.lastIndexOf('/') + 1);
link = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + caminho + link;
}
}
}
int index = link.indexOf('#');
if (índice != -1) {
link = link.substring(0, índice);
}
link = removeWwwFromUrl(link);
URL verificadaLink = verifyUrl(link);
if (verifiedLink == null) {
continue;
}
/* Se você restringir hosts, exclua aquelas URLs que não atendem aos critérios */
if (limitHost
&& !pageUrl.getHost().toLowerCase().equals(
verifiedLink.getHost().toLowerCase())) {
continue;
}
Pule aqueles links que já foram processados.
if (crawledList.contains(link)) {
continue;
}
linkList.add(link);
}
return (linkList);
}
Pesquise o conteúdo de uma página web baixada para determinar se há uma string de busca especificada na página
busca booleana privadaStringMatches(String pageContents,
String searchString, boolean caseSensitive) {
String searchConteúdo = páginaConteúdo;
if (!caseSensitive) {// if insensitive minúsculas e minúsculas
pesquisaConteúdo = páginaConteúdos.paraLowerPoint();
}
Padrão p = Pattern.compile("[\\s]+");
Termos String[] = p.split(searchString);
para (int i = 0; Eu < termos. Comprimento; i++) {
if (SensitivoMajúscula) {
if (searchContents.indexOf(termos) == -1) {
retorne falso;
}
} else {
if (searchContents.indexOf(termos.toLowerPoint()) == -1) {
retorne falso;
}
}
}
retorno verdadeiro;
}
Realize a operação de busca propriamente dita
crawl public<String> ArrayList (String startUrl, int maxUrls,
String searchString, boolean limithost, boolean caseSensitive) {
HashSet<String> crawledList = novo <String>HashSet();
LinkedHashSet<String> paraCrawlList = novo <String>LinkedHashSet();
if (maxUrls < 1) {
errorList.add("Valor de URL Max Invalidado.");
System.out.println ("Valor de URLs Max Inválidos.");
}
if (searchString.length() < 1) {
errorList.add ("String de busca faltante.");
System.out.println ("String de busca faltante");
}
if (errorList.size() > 0) {
System.out.println("err!!");
return errorList;
}
Mova www para fora da URL inicial
startUrl = removeWwwFromUrl(startUrl);
toCrawlList.add (startUrl);
while (toCrawlList.size() > 0) {
if (maxUrls != -1) {
if (crawledList.size() == maxUrls) {
intervalo;
}
}
Obtenha a URL no final da lista.
URL da string = toCrawlList.iterator().next();
Remova a URL da lista de rastreamento.
toCrawlList.remove(url);
Converter a URL da string em objeto URL.
URL verificadaUrl = verifyUrl(url);
Pule URL se robôs não tiverem permissão para acessá-la.
if (!isRobotAllowed(verifiedUrl)) {
continue;
}
Adicionar URLs processadas à crawledList
crawledList.add(url);
String pageConteúdo = downloadPage(verifiedUrl);
if (pageContents != null && pageContents.length() > 0) {
Obtenha um link válido na página
<String> ArrayList links = retrieveLinks(verifiedUrl,
pageContents, crawledList, limitHost);
toCrawlList.addAll(links);
se (searchStringMatches(pageContents, searchString,
Sensível a maiúsculas minúsculas)) {
result.add(url);
System.out.println(url);
}
}
}
resultado do retorno;
}
Função principal
public static void main(String[] args) {
SearchCrawler crawler = novo SearchCrawler("http://www.itsvse.com/", 100,"Delver_Si");
Busca por threads = nova Thread(crawler);
System.out.println ("Iniciar busca...");
System.out.println("resultado:");
search.start();
try {
search.join();
} catch (InterruptedException e) {
TODO Bloco de captura gerado automaticamente
e.printStackTrace();
}
}
}
[/mw_shl_code]
|
-
1.png
(100.02 KB, Número de downloads: 591)
-
2.png
(72.18 KB, Número de downloads: 596)
-
3.png
(188.46 KB, Número de downloads: 606)
Anterior:PHP representa 82,2% dos principais sites do 100WPróximo:Visualizador de Código-Fonte Web da Edição Java
|
Senhorio|
Publicado em 30/11/2014 18:28:24
|
Publicado em 30/11/2014 17:40:16
|
