|
|
Publicerad på 2014-11-30 16:56:56
|
|
|
|
[mw_shl_code=java, sant]/**
* @author Jack.Wang
*
*/
importera java.io.BufferedReader;
importera java.io.InputStreamReader;
importera java.net.URL;
importera java.util.ArrayList;
importera java.util.HashMap;
import java.util.HashSet;
import java.util.LinkedHashSet;
import java.util.regex.Matcher;
importera java.util.regex.Pattern;
Sök efter webbcrawlers
publik klass SearchCrawler implementerar Runnable {
/*
* disallowListCache-cacheroboten tillåter inte sökbara URL:er. Robotprotokollet sätter en robots.txt fil i webbplatsens rotkatalog,
* Specificerar vilka sidor på webbplatsen som är sökbara för begränsad sökning.
* Sökprogrammet bör hoppa över dessa områden under sökningen, här är ett exempel på robots.txt:
* # robots.txt för http://somehost.com/ User-agent:
* Disallow: /cgi-bin/
* Förbjud: /registrering # Förbjuder robotar på registreringssidan
* Tillåt inte: /login
*/
privat HashMap<String, ArrayList<String>> disallowListCache = ny HashMap<String, ArrayList<String>>();
ArrayList<String> errorList = ny ArrayList<String>(); Felmeddelande
ArrayList-resultat<String> = ny ArrayList<String>(); Sökta resultat
String startUrl; En startpunkt för att starta din sökning
int maxUrl; Det maximala antalet behandlade URL:er
String searchString; Strängar att söka efter
boolean caseSensitive = falsk; Om man ska vara kasuskänslig eller inte
boolean limitHost = false; Om man ska söka inom en begränsad värd
public SearchCrawler(String startUrl, int maxUrl, String searchString) {
this.startUrl = startUrl;
this.maxUrl = maxUrl;
this.searchString = searchString;
}
public ArrayList<String> getResult() {
återvändande resultat;
}
public void run() { // Starta söktråden
crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive);
}
Upptäck URL-formatering
privat URL verifyUrl(String url) {
Endast HTTP-URL:er bearbetas.
om (!url.toLowerCase().startsWith("http://"))
återvända null;
URL verifieradUrl = null;
try {
verifieradUrl = ny URL(url);
} fångar (Undantag e) {
återvända null;
}
returnerar verifieradUrl;
}
Känner av om roboten tillåter åtkomst till den givna URL:en.
privat boolean isRobotAllowed(URL urlToCheck) {
String host = urlToCheck.getHost().toLowerCase(); Hämta värden som ger RUL
System.out.println("host="+host);
Skaffa en cache med URL:er som din värd inte tillåter att söka i
ArrayList<String> disallowList = disallowListCache.get(host);
Om du inte redan har en cache, ladda ner och cacha den.
om (disallowList == null) {
disallowList = ny ArrayList<String>();
try {
URL robotsFileUrl = ny URL ("http://" + host + "/robots.txt");
BufferedReader reader = ny BufferedReader(
ny InputStreamReader(robotsFileUrl.openStream()));
Läs robotfilen för att skapa en lista över vägar som inte får nås.
Stränglinje;
medan ((linje = reader.readLine()) != null) {
om (line.indexOf("Disallow:") == 0) {// Innehåller den "Disallow:"
Sträng disallowPath = line.substring("Disallow:"
.längd()); Få vägen för att förbjuda åtkomst
Kontrollera efter anteckningar.
int commentIndex = disallowPath.indexOf("#");
om (commentIndex != -1) {
disallowPath = disallowPath.substring(0,
commentIndex); Ta bort kommentaren
}
disallowPath = disallowPath.trim();
disallowList.add (disallowPath);
}
}
Cachevägar som denna värd inte får komma åt.
disallowListCache.put(host, disallowList);
} fångar (Undantag e) {
återvänd sant; Det finns inga robots.txt filer i webbplatsens rotkatalog, och den returnerar true
}
}
Strängfil = urlToCheck.getFile();
System.out.println("File getFile()="+file);
för (int i = 0; i < disallowList.size(); i++) {
String disallow = disallowList.get(i);
if (file.startsWith(disallow)) {
returnera falsk;
}
}
återvänd sant;
}
privat String downloadPage(URL pageUrl) {
try {
Öppna länken till URL för läsning.
BufferedReader reader = ny BufferedReader(ny InputStreamReader(
pageUrl.openStream()));
Läs sidan i bufferten.
Stränglinje;
StringBuffer pageBuffer = ny StringBuffer();
medan ((linje = reader.readLine()) != null) {
pageBuffer.append(rad);
}
return pageBuffer.toString();
} fångar (Undantag e) {
}
återvända null;
}
Ta bort "www" från URL:en
privat Sträng removeWwwFromUrl(Sträng url) {
int index = url.indexOf("://www.");
om (index != -1) {
returnera url.substring(0, index + 3) + url.substring(index + 7);
}
return (URL);
}
Genomsök sidan och hitta länken
privat ArrayList<String> hämtaLänkar(URL sidUrl, Sträng sidaInnehåll,
HashSet crawledList, boolean limitHost) {
Kompliéra matchningsmönstret för länken med reguljära uttryck.
Mönster p = Pattern.compile("<a\\s+href\\s*=\\s*\\"?(. *?) [\"|>]",
Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(pageContents);
ArrayList<String> linkList = ny ArrayList<String>();
medan (m.find()) {
Stränglänk = m.group(1).trim();
if (link.length() < 1) {
fortsätt;
}
Hoppa över länken till den här sidan.
if (link.charAt(0) == '#') {
fortsätt;
}
if (link.indexOf("mailto:") != -1) {
fortsätt;
}
if (link.toLowerCase().indexOf("javascript") != -1) {
fortsätt;
}
om (link.indexOf("://") == -1) {
om (link.charAt(0) == '/') {// hanterar absolut
länk = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + länk;
} annars {
Strängfil = pageUrl.getFile();
om (file.indexOf('/') == -1) {// hanterar relativa adresser
länk = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + "/" + länk;
} annars {
Strängpath = file.substring(0,
file.lastIndexOf('/') + 1);
länk = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + sökväg + länk;
}
}
}
int index = link.indexOf('#');
om (index != -1) {
länk = länk.substring(0, index);
}
länk = ta bortWwwFromUrl(länk);
URL verifieradLänk = verifieraUrl(länk);
om (verifieradlänk == null) {
fortsätt;
}
/* Om du begränsar värdar, exkludera de URL:er som inte uppfyller kriterierna */
om (limitHost
&& !pageUrl.getHost().toLowerCase().equals(
verifiedLink.getHost().toLowerCase())) {
fortsätt;
}
Hoppa över de länkar som redan har behandlats.
if (crawledList.contains(link)) {
fortsätt;
}
linkList.add (länk);
}
återvända (linkList);
}
Sök i innehållet på en nedladdad webbsida för att avgöra om det finns en specificerad söksträng på sidan
privat boolesk sökningStringMatches(SträngsidaInnehåll,
String searchString, boolean caseSensitive) {
String searchContents = sidInnehåll;
if (!caseSensitive) {// if case insensitive
searchContents = pageContents.toLowerCase();
}
Pattern p = Pattern.compile("[\\s]+");
String[]-termer = p.split(searchString);
för (int i = 0; Jag < termer.längd; i++) {
if (caseSensitive) {
om (searchContents.indexOf(terms) == -1) {
returnera falsk;
}
} annars {
om (searchContents.indexOf(terms.toLowerCase()) == -1) {
returnera falsk;
}
}
}
återvänd sant;
}
Utför själva sökoperationen
publik 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>();
om (maxUrls < 1) {
errorList.add ("Ogiltigt maxvärde för URL:er.");
System.out.println("Ogiltigt Max-URL-värde.");
}
om (searchString.length() < 1) {
errorList.add ("Saknad söksträng.");
System.out.println ("Saknad söksträng");
}
if (errorList.size() > 0) {
System.out.println("err!!");
return errorList;
}
Flytta www från start-URL:en
startUrl = ta bortWwwFromUrl(startUrl);
toCrawlList.add (startUrl);
medan (toCrawlList.size() > 0) {
om (maxUrls != -1) {
if (crawledList.size() == maxUrls) {
paus;
}
}
Få URL längst ner på listan.
String url = toCrawlList.iterator().next();
Ta bort URL från listan för att genomsöka sök.
toCrawlList.remove(url);
Konvertera sträng-url till URL-objekt.
URL verifiedUrl = verifyUrl(url);
Hoppa över URL om robotar inte får komma åt den.
if (!isRobotAllowed(verifiedUrl)) {
fortsätt;
}
Lägg till bearbetade URL:er i crawledList
crawledList.add(url);
Sträng pageContents = downloadPage(verifiedUrl);
if (pageContents != null && pageContents.length() > 0) {
Få en giltig länk från sidan
<String> ArrayList-länkar = hämtarLänkar(verifieradUrl,
pageContents, crawledList, limitHost);
toCrawlList.addAll(länkar);
om (searchStringMatches(pageContents, searchString,
caseSensitive)) {
result.add(url);
System.out.println(url);
}
}
}
återvändande resultat;
}
Huvudfunktion
public static void main(String[] args) {
SearchCrawler crawler = ny SearchCrawler ("http://www.itsvse.com/", 100,"Delver_Si");
Trådsökning = ny tråd (crawler);
System.out.println ("Börja söka...");
System.out.println("result:");
search.start();
try {
search.join();
} fånga (InterruptedException e) {
TODO Autogenererad fångstblock
e.printStackTrace();
}
}
}
[/mw_shl_code]
|
-
1.png
(100.02 KB, Antal nedladdningar: 591)
-
2.png
(72.18 KB, Antal nedladdningar: 596)
-
3.png
(188.46 KB, Antal nedladdningar: 606)
Föregående:PHP står för 82,2 % av de största 100W-webbplatsernaNästa:Java Edition Web Source Code Viewer
|
Hyresvärd|
Publicerad på 2014-11-30 18:28:24
|
Publicerad på 2014-11-30 17:40:16
|
