|
|
Опубліковано 30.11.2014 16:56:56
|
|
|
|
[mw_shl_code=java,true]/**
* @author Jack.Wang
*
*/
імпорт java.io.BufferedReader;
імпорт java.io.InputStreamReader;
імпорт 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;
Пошук веб-краулерів
public class SearchCrawler реалізує Runnable {
/*
* disallowListCache cache robot не дозволяє шукати URL. Протокол Robot встановлює robots.txt файл у кореневій директорії вебсайту,
* Вказує, які сторінки сайту доступні для пошуку з обмеженим пошуком.
* Пошукова програма повинна пропускати ці ділянки під час пошуку, ось приклад robots.txt:
* # robots.txt для http://somehost.com/ User-agent:
* Заборонено: /cgi-bin/
* Заборонено: /реєстрація # Заборонити роботів на сторінці реєстрації
* Заборони: /login
*/
private HashMap<String, ArrayList<String>> disallowListCache = новий HashMap<рядок, ArrayList<String>>();
<String> ArrayList errorList = новий ArrayList<String>(); Повідомлення про помилку
<String> Результат ArrayList = новий ArrayList<String>(); Результати пошуку
String startUrl; Відправна точка для пошуку
int maxUrl; Максимальна кількість оброблених URL
String searchString; Рядки для пошуку
булева відмінкаЧутлива = хибна; Чи варто враховувати регітри
булева межаHost = хибна; Чи варто шукати в межах обмеженого хоста
public SearchCrawler(String startUrl, int maxUrl, String searchString) {
this.startUrl = startUrl;
this.maxUrl = maxUrl;
this.searchString = searchString;
}
public<String> ArrayList getResult() {
результат повернення;
}
публічний запуск() { // Почати пошукову тему
crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive);
}
Визначити форматування URL
private URL verifyUrl(String url) {
Обробляються лише HTTP-URL.
if (!url.toLowerCase().startsWith("http://"))
return null;
URL verifiedUrl = null;
try {
verifiedURL = новий URL(url);
} catch (Виняток e) {
return null;
}
повернути verifiedUrl;
}
Визначає, чи дозволяє робот доступ до заданої URL.
private boolean isRobotAllowed(URL urlToCheck) {
String host = urlToCheck.getHost().toLowerCase(); Візьміть хоста, який дає RUL
System.out.println("host="+host);
Отримайте кеш URL, які ваш хост не дозволяє шукати
<String> ArrayList disallowList = disallowListCache.get(host);
Якщо у вас ще немає кешу, завантажте і кешуйте його.
якщо (disallowList == null) {
disallowList = новий <String>ArrayList();
try {
URL robotsFileUrl = новий URL("http://" + хост + "/robots.txt");
BufferedReader = новий BufferedReader(
новий InputStreamReader(robotsFileUrl.openStream()));
Прочитайте файл робота, щоб створити список шляхів, до яких не дозволено звертатися.
Струнна лінія;
тоді як ((лінія = reader.readLine()) != null) {
if (line.indexOf("Disallow:") == 0) {// Чи містить він "Disallow:"
String disallowPath = line.substring("Disallow:"
.довжина()); Знайдіть шлях до забороненого доступу
Перевірте наявність анотувань.
int commentIndex = disallowPath.indexOf("#");
якщо (commentIndex != -1) {
disallowPath = disallowPath.substring(0,
commentIndex); Видалити коментар
}
disallowPath = disallowPath.trim();
disallowList.add(disallowPath);
}
}
Кеш-шляхи, до яких цей хост не має доступу.
disallowListCache.put (host, disallowList);
} catch (Виняток e) {
Повернення True; У кореневій директорії сайту немає robots.txt файлів, і він повертає true
}
}
String file = urlToCheck.getFile();
System.out.println("Файл getFile()="+file);
для (int i = 0; я < disallowList.size(); i++) {
String disallow = disallowList.get(i);
if (file.startsWith(disallow)) {
повернення хибно;
}
}
Повернення True;
}
private String downloadPage(URL pageUrl) {
try {
Відкрийте з'єднання з URL для читання.
BufferedReader = новий BufferedReader(новий InputStreamReader(
pageUrl.openStream()));
Прочитай сторінку в буфері.
Струнна лінія;
StringBuffer pageBuffer = новий StringBuffer();
тоді як ((лінія = reader.readLine()) != null) {
pageBuffer.append(line);
}
return pageBuffer.toString();
} catch (Виняток e) {
}
return null;
}
Видаліть "www" з URL
private String removeWwwFromUrl(String url) {
int index = url.indexOf("://www.");
якщо (індекс != -1) {
повернути url.substring(0, index + 3) + url.substring(index + 7);
}
Return (url);
}
Проаналізуйте сторінку і знайдіть посилання
private<String> ArrayList retrieveLinks(URL pageUrl, String pageContents,
HashSet crawledList, boolean limitHost) {
Скомпілюйте патерн відповідності зв'язку з регулярними виразами.
Шаблон p = Pattern.compile("<a\\s+href\\s*=\\s*\"?(. *?) [\"|>]",
Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(pageContents);
<String> ArrayList linkList = новий ArrayList<String>();
тоді як (m.find()) {
Зв'язок рядка = m.group(1).trim();
якщо (link.length() < 1) {
продовжити;
}
Пропустіть посилання на цю сторінку.
if (link.charAt(0) == '#') {
продовжити;
}
if (link.indexOf("mailto:") != -1) {
продовжити;
}
if (link.toLowerCase().indexOf("javascript") != -1) {
продовжити;
}
якщо (link.indexOf("://") == -1) {
if (link.charAt(0) == '/') {// обслуговується абсолютно
посилання = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + посилання;
} else {
String file = pageUrl.getFile();
if (file.indexOf('/') == -1) {// обробляє відносні адреси
посилання = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + "/" + посилання;
} else {
Шлях до рядка = file.substring(0,
file.lastIndexOf('/') + 1);
посилання = "http://" + pageUrl.getHost() + ":"
+ pageUrl.getPort() + шлях + посилання;
}
}
}
int index = link.indexOf('#');
якщо (індекс != -1) {
link = link.substring(0, індекс);
}
link = removeWwwFromUrl(посилання);
URL verifiedLink = verifyUrl(link);
якщо (verifiedLink == null) {
продовжити;
}
/* Якщо ви обмежуєте хостинг, виключайте ті URL, які не відповідають критеріям */
якщо (limitHost
&& !pageUrl.getHost().toLowerCase().equals(
verifiedLink.getHost().toLowerCase())) {
продовжити;
}
Пропускайте ті посилання, які вже оброблені.
якщо (crawledList.contains(link)) {
продовжити;
}
linkList.add(посилання);
}
return (linkList);
}
Пошукайте вміст завантаженої веб-сторінки, щоб визначити, чи є на сторінці певний рядок пошуку
private boolean searchStringMatches(String pageContents,
String searchString, boolean caseSensitive) {
Пошук рядківВміст = сторінкаЗміст;
if (!caseSensitive) {// якщо нечутливий до регістру
searchContents = pageContents.toLowerCase();
}
Патерн p = Pattern.compile("[\\s]+");
String[] терміни = p.split(searchString);
для (int i = 0; I < терміни.довжина; i++) {
якщо (caseSensitive) {
if (searchContents.indexOf(терміни)) == -1) {
повернення хибно;
}
} else {
if (searchContents.indexOf(терміни).toLowerCase()) == -1) {
повернення хибно;
}
}
}
Повернення True;
}
Виконайте фактичну операцію пошуку
public<String> ArrayList crawl(String startUrl, int maxUrls,
String searchString, boolean limithost, boolean caseSensitive) {
<String> HashSet crawledList = новий HashSet<String>();
LinkedHashSet<String> toCrawlList = новий <String>LinkedHashSet();
якщо (maxUrls < 1) {
errorList.add ("Значення недійсних максимальних URL-адресів.");
System.out.println ("Значення недійсних максимальних URL-адресів.");
}
якщо (searchString.length() < 1) {
errorList.add ("Відсутній рядок пошуку.");
System.out.println ("Відсутній рядок пошуку");
}
if (errorList.size() > 0) {
System.out.println("err!!");
return errorList;
}
Перенесіть www з початкової URL
startUrl = removeWwwFromUrl(startUrl);
toCrawlList.add (startUrl);
тоді як (toCrawlList.size() > 0) {
якщо (maxUrls != -1) {
if (crawledList.size() == maxUrls) {
перерва;
}
}
Знайдіть URL внизу списку.
String url = toCrawlList.iterator().next();
Видаліть URL зі списку для сканування.
toCrawlList.remove(url);
Перетворіть URL рядка на об'єкт URL.
URL verifiedUrl = verifyUrl(url);
Пропускайте URL, якщо роботам заборонено до нього заходити.
if (!isRobotAllowed(verifiedUrl)) {
продовжити;
}
Додайте оброблені URL до crawledList
crawledList.add(url);
String pageContents = downloadPage(verifiedUrl);
якщо (pageContents != null && pageContents.length() > 0) {
Отримайте дійсне посилання зі сторінки
<String> ArrayList links = retrieveLinks(verifiedUrl,
pageContents, crawledList, limitHost);
toCrawlList.addAll(посилання);
якщо (searchStringMatches(pageContents, searchString,
caseSensitive)) {
result.add(url);
System.out.println(url);
}
}
}
результат повернення;
}
Основна функція
public static void main(String[] args) {
SearchCrawler crawler = новий SearchCrawler("http://www.itsvse.com/", 100,"Delver_Si");
Пошук у темі = новий Thread(краулер);
System.out.println («Почати пошук...»);
System.out.println("результат:");
search.start();
try {
search.join();
} catch (InterruptedException e) {
TODO Автоматично згенерований блок ловлі
e.printStackTrace();
}
}
}
[/mw_shl_code]
|
-
1.png
(100.02 KB, Кількість завантажень: 591)
-
2.png
(72.18 KB, Кількість завантажень: 596)
-
3.png
(188.46 KB, Кількість завантажень: 606)
Попередній:PHP становить 82,2% топ-100W вебсайтівНаступний:Переглядач веб-вихідного коду Java Edition
|
Орендодавець|
Опубліковано 30.11.2014 18:28:24
|
Опубліковано 30.11.2014 17:40:16
|
