主要使用递归遍历完成对每个网页内链接的获取和源码的获取,然后剔除重复链接
主要使用txt文件储存
根据网址的路径生成想应文件路径
import java.io.*;
import java.net.URL;
import java.net.URLConnection;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
/**
* java实现爬虫
*/
public class SpiderDemo1 {
//网站主网页链接
private final static String theURL = "http://www.jyyishu.cn";
//今日日期,用于标记日志
private final static String theTIME = new SimpleDateFormat("yyyy-MM-dd").format(new Date());
//网页链接文件路径
private final static String theFILE = "F:/html/jy1/" + theTIME + "/URL.txt";
//网页源码路径
private final static String thePATH = "F:/html/jy1/" + theTIME + "/code";
//正则表达式,用于判断是否是一个网址
private final static String theREGEX= "(http|https)://[\\w+\\.?/?]+\\.[A-Za-z]+";
/**
* 启动类
* &#