欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Java爬蟲實(shí)戰(zhàn)抓取一個(gè)網(wǎng)站上的全部鏈接

 更新時(shí)間:2016年10月19日 11:35:49   作者:pangfc  
這篇文章主要介紹了JAVA使用爬蟲抓取網(wǎng)站網(wǎng)頁內(nèi)容的方法,現(xiàn)在就分享給大家,也給大家做個(gè)參考。一起跟隨小編過來看看吧。

前言:寫這篇文章之前,主要是我看了幾篇類似的爬蟲寫法,有的是用的隊(duì)列來寫,感覺不是很直觀,還有的只有一個(gè)請求然后進(jìn)行頁面解析,根本就沒有自動爬起來這也叫爬蟲?因此我結(jié)合自己的思路寫了一下簡單的爬蟲。

一 算法簡介

程序在思路上采用了廣度優(yōu)先算法,對未遍歷過的鏈接逐次發(fā)起GET請求,然后對返回來的頁面用正則表達(dá)式進(jìn)行解析,取出其中未被發(fā)現(xiàn)的新鏈接,加入集合中,待下一次循環(huán)時(shí)遍歷。

具體實(shí)現(xiàn)上使用了Map<String, Boolean>,鍵值對分別是鏈接和是否被遍歷標(biāo)志。程序中使用了兩個(gè)Map集合,分別是:oldMap和newMap,初始的鏈接在oldMap中,然后對oldMap里面的標(biāo)志為false的鏈接發(fā)起請求,解析頁面,用正則取出<a>標(biāo)簽下的鏈接,如果這個(gè)鏈接未在oldMap和newMap中,則說明這是一條新的鏈接,同時(shí)要是這條鏈接是我們需要獲取的目標(biāo)網(wǎng)站的鏈接的話,我們就將這條鏈接放入newMap中,一直解析下去,等這個(gè)頁面解析完成,把oldMap中當(dāng)前頁面的那條鏈接的值設(shè)為true,表示已經(jīng)遍歷過了。

最后是當(dāng)整個(gè)oldMap未遍歷過的鏈接都遍歷結(jié)束后,如果發(fā)現(xiàn)newMap不為空,則說明這一次循環(huán)有新的鏈接產(chǎn)生,因此將這些新的鏈接加入oldMap中,繼續(xù)遞歸遍歷,反之則說明這次循環(huán)沒有產(chǎn)生新的鏈接,繼續(xù)循環(huán)下去已經(jīng)不能產(chǎn)生新鏈接了,因?yàn)槿蝿?wù)結(jié)束,返回鏈接集合oldMap

二 程序?qū)崿F(xiàn)

上面相關(guān)思路已經(jīng)說得很清楚了,并且代碼中關(guān)鍵地方有注釋,因此這里就不多說了,代碼如下:

package action;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.MalformedURLException;
import java.net.URL;
import java.util.LinkedHashMap;
import java.util.Map;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class WebCrawlerDemo {
 public static void main(String[] args) {
    WebCrawlerDemo webCrawlerDemo = new WebCrawlerDemo();
    webCrawlerDemo.myPrint("http://www.zifangsky.cn");
  }
 
  public void myPrint(String baseUrl) {
    Map<String, Boolean> oldMap = new LinkedHashMap<String, Boolean>(); // 存儲鏈接-是否被遍歷
                                      // 鍵值對
    String oldLinkHost = ""; //host
 
    Pattern p = Pattern.compile("(https?://)?[^/\\s]*"); //比如:http://www.zifangsky.cn
    Matcher m = p.matcher(baseUrl);
    if (m.find()) {
      oldLinkHost = m.group();
    }
 
    oldMap.put(baseUrl, false);
    oldMap = crawlLinks(oldLinkHost, oldMap);
    for (Map.Entry<String, Boolean> mapping : oldMap.entrySet()) {
      System.out.println("鏈接:" + mapping.getKey());
 
    }
 
  }
 
  /**
   * 抓取一個(gè)網(wǎng)站所有可以抓取的網(wǎng)頁鏈接,在思路上使用了廣度優(yōu)先算法
   * 對未遍歷過的新鏈接不斷發(fā)起GET請求,一直到遍歷完整個(gè)集合都沒能發(fā)現(xiàn)新的鏈接
   * 則表示不能發(fā)現(xiàn)新的鏈接了,任務(wù)結(jié)束
   * 
   * @param oldLinkHost 域名,如:http://www.zifangsky.cn
   * @param oldMap 待遍歷的鏈接集合
   * 
   * @return 返回所有抓取到的鏈接集合
   * */
  private Map<String, Boolean> crawlLinks(String oldLinkHost,
      Map<String, Boolean> oldMap) {
    Map<String, Boolean> newMap = new LinkedHashMap<String, Boolean>();
    String oldLink = "";
 
    for (Map.Entry<String, Boolean> mapping : oldMap.entrySet()) {
      System.out.println("link:" + mapping.getKey() + "--------check:"
          + mapping.getValue());
      // 如果沒有被遍歷過
      if (!mapping.getValue()) {
        oldLink = mapping.getKey();
        // 發(fā)起GET請求
        try {
          URL url = new URL(oldLink);
          HttpURLConnection connection = (HttpURLConnection) url
              .openConnection();
          connection.setRequestMethod("GET");
          connection.setConnectTimeout(2000);
          connection.setReadTimeout(2000);
 
          if (connection.getResponseCode() == 200) {
            InputStream inputStream = connection.getInputStream();
            BufferedReader reader = new BufferedReader(
                new InputStreamReader(inputStream, "UTF-8"));
            String line = "";
            Pattern pattern = Pattern
                .compile("<a.*?href=[\"']?((https?://)?/?[^\"']+)[\"']?.*?>(.+)</a>");
            Matcher matcher = null;
            while ((line = reader.readLine()) != null) {
              matcher = pattern.matcher(line);
              if (matcher.find()) {
                String newLink = matcher.group(1).trim(); // 鏈接
                // String title = matcher.group(3).trim(); //標(biāo)題
                // 判斷獲取到的鏈接是否以http開頭
                if (!newLink.startsWith("http")) {
                  if (newLink.startsWith("/"))
                    newLink = oldLinkHost + newLink;
                  else
                    newLink = oldLinkHost + "/" + newLink;
                }
                //去除鏈接末尾的 /
                if(newLink.endsWith("/"))
                  newLink = newLink.substring(0, newLink.length() - 1);
                //去重,并且丟棄其他網(wǎng)站的鏈接
                if (!oldMap.containsKey(newLink)
                    && !newMap.containsKey(newLink)
                    && newLink.startsWith(oldLinkHost)) {
                  // System.out.println("temp2: " + newLink);
                  newMap.put(newLink, false);
                }
              }
            }
          }
        } catch (MalformedURLException e) {
          e.printStackTrace();
        } catch (IOException e) {
          e.printStackTrace();
        }
 
        try {
          Thread.sleep(1000);
        } catch (InterruptedException e) {
          e.printStackTrace();
        }
        oldMap.replace(oldLink, false, true);
      }
    }
    //有新鏈接,繼續(xù)遍歷
    if (!newMap.isEmpty()) {
      oldMap.putAll(newMap);
      oldMap.putAll(crawlLinks(oldLinkHost, oldMap)); //由于Map的特性,不會導(dǎo)致出現(xiàn)重復(fù)的鍵值對
    }
    return oldMap;
  }
}

三 最后的測試效果

PS:其實(shí)用遞歸這種方式不是太好,因?yàn)橐蔷W(wǎng)站頁面比較多的話,程序運(yùn)行時(shí)間長了對內(nèi)存的消耗會非常大

感謝閱讀,希望能幫助到大家,謝謝大家對本站的支持!

相關(guān)文章

  • SpringBoot注入自定義的配置文件的方法詳解

    SpringBoot注入自定義的配置文件的方法詳解

    在實(shí)際的項(xiàng)目開發(fā)過程中,我們經(jīng)常需要將某些變量從代碼里面抽離出來,放在配置文件里面。今天,我們就一起來聊一聊SpringBoot加載配置文件的幾種玩法,需要的可以參考一下
    2022-09-09
  • 使用SpringBoot自定義starter詳解

    使用SpringBoot自定義starter詳解

    這篇文章主要介紹了使用Spring Boot自定義starter詳解,文中有非常詳細(xì)的代碼示例,對正在學(xué)習(xí)java的小伙伴們有很好地幫助喲,需要的朋友可以參考下
    2021-05-05
  • mybatis-plus如何配置自定義數(shù)據(jù)類型TypeHandle

    mybatis-plus如何配置自定義數(shù)據(jù)類型TypeHandle

    這篇文章主要介紹了mybatis-plus如何配置自定義數(shù)據(jù)類型TypeHandle,具有很好的參考價(jià)值,希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2022-01-01
  • 關(guān)于@JsonProperty和@JSONField注解的區(qū)別及用法

    關(guān)于@JsonProperty和@JSONField注解的區(qū)別及用法

    這篇文章主要介紹了關(guān)于@JsonProperty和@JSONField注解的區(qū)別及用法,具有很好的參考價(jià)值,希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2022-08-08
  • Java實(shí)現(xiàn)畫線、矩形、橢圓、字符串功能

    Java實(shí)現(xiàn)畫線、矩形、橢圓、字符串功能

    本篇文章主要介紹了Java實(shí)現(xiàn)畫線、矩形、橢圓、字符串功能的實(shí)例代碼,小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,也給大家做個(gè)參考。一起跟隨小編過來看看吧
    2018-05-05
  • SpringBoot編譯target目錄下沒有resource下的文件踩坑記錄

    SpringBoot編譯target目錄下沒有resource下的文件踩坑記錄

    這篇文章主要介紹了SpringBoot編譯target目錄下沒有resource下的文件踩坑記錄,具有很好的參考價(jià)值,希望對大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2023-08-08
  • 關(guān)于@PostConstruct、afterPropertiesSet和init-method的執(zhí)行順序

    關(guān)于@PostConstruct、afterPropertiesSet和init-method的執(zhí)行順序

    這篇文章主要介紹了關(guān)于@PostConstruct、afterPropertiesSet和init-method的執(zhí)行順序,具有很好的參考價(jià)值,希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2021-09-09
  • spring boot前后端傳參的實(shí)現(xiàn)

    spring boot前后端傳參的實(shí)現(xiàn)

    這篇文章主要介紹了spring boot前后端傳參的實(shí)現(xiàn),文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2020-01-01
  • SpringBoot整合Drools的實(shí)現(xiàn)步驟

    SpringBoot整合Drools的實(shí)現(xiàn)步驟

    Drools是一個(gè)易于訪問企業(yè)策略、易于調(diào)整以及易于管理的開源業(yè)務(wù)規(guī)則引擎,符合業(yè)內(nèi)標(biāo)準(zhǔn),速度快、效率高。業(yè)務(wù)分析師或?qū)徍巳藛T可以利用它輕松查看業(yè)務(wù)規(guī)則,從而檢驗(yàn)是否已編碼的規(guī)則執(zhí)行所需的業(yè)務(wù)規(guī)則。本文將講述SpringBoot整合Drools的步驟
    2021-05-05
  • synchronized?和?Lock?的異同點(diǎn)(如何讓選擇)

    synchronized?和?Lock?的異同點(diǎn)(如何讓選擇)

    這篇文章主要介紹了?synchronized和Lock的異同點(diǎn)(如何讓選擇),文章圍繞主題展開詳細(xì)的內(nèi)容介紹,具有一定的參考價(jià)值,需要的小伙伴可以參考一下
    2022-09-09

最新評論