Java写的爬虫的基本程序

这是一个web搜索的基本程序，从命令行输入搜索条件（起始的URL、处理url的最大数、要搜索的字符串),
它就会逐个对Internet上的URL进行实时搜索,查找并输出匹配搜索条件的页面。 这个程序的原型来自《java编程艺术》，
为了更好的分析，站长去掉了其中的GUI部分，并稍作修改以适用jdk1.5。以这个程序为基础，可以写出在互联网上搜索
诸如图像、邮件、网页下载之类的“爬虫”。

下面是这个程序的源码

1. import java.util.*;  
2. import java.net.*;  
3. import java.io.*;  
4. import java.util.regex.*;  
5.   
6. // 搜索Web爬行者  
7. public class SearchCrawler implements Runnable{  
8.    
9. /* disallowListCache缓存robot不允许搜索的URL。 Robot协议在Web站点的根目录下设置一个robots.txt文件,
10.    *规定站点上的哪些页面是限制搜索的。 搜索程序应该在搜索过程中跳过这些区域,下面是robots.txt的一个例子:
11. # robots.txt for http://somehost.com/
12.     User-agent: *
13.     Disallow: /cgi-bin/
14.     Disallow: /registration # /Disallow robots on registration page
15.     Disallow: /login
16.    */  
17.   
18.   
19.   private HashMap< String,ArrayList< String>> disallowListCache = new HashMap< String,ArrayList< String>>();   
20.    ArrayList< String> errorList= new ArrayList< String>();//错误信息   
21.    ArrayList< String> result=new ArrayList< String>(); //搜索到的结果   
22.    String startUrl;//开始搜索的起点  
23.   int maxUrl;//最大处理的url数  
24.    String searchString;//要搜索的字符串(英文)  
25.   boolean caseSensitive=false;//是否区分大小写  
26.   boolean limitHost=false;//是否在限制的主机内搜索  
27.     
28.   public SearchCrawler(String startUrl,int maxUrl,String searchString){  
29.    this.startUrl=startUrl;  
30.    this.maxUrl=maxUrl;  
31.    this.searchString=searchString;  
32.    }  
33.   
34.    public ArrayList< String> getResult(){  
35.        return result;  
36.     }  
37.   
38.   public void run(){//启动搜索线程  
39.         
40.         crawl(startUrl,maxUrl, searchString,limitHost,caseSensitive);  
41.    }  
42.      
43.   
44.     //检测URL格式  
45.   private URL verifyUrl(String url) {  
46.     // 只处理HTTP URLs.  
47.     if (!url.toLowerCase().startsWith("http://"))  
48.       return null;  
49.   
50.      URL verifiedUrl = null;  
51.     try {  
52.        verifiedUrl = new URL(url);  
53.      } catch (Exception e) {  
54.       return null;  
55.      }  
56.   
57.     return verifiedUrl;  
58.    }  
59.   
60.   // 检测robot是否允许访问给出的URL.  
61. private boolean isRobotAllowed(URL urlToCheck) {   
62.      String host = urlToCheck.getHost().toLowerCase();//获取给出RUL的主机   
63.     //System.out.println("主机="+host);  
64.   
65.     // 获取主机不允许搜索的URL缓存   
66.      ArrayList< String> disallowList =disallowListCache.get(host);   
67.   
68.     // 如果还没有缓存,下载并缓存。   
69.     if (disallowList == null) {   
70.        disallowList = new ArrayList< String>();   
71.       try {   
72.          URL robotsFileUrl =new URL("http://" + host + "/robots.txt");   
73.          BufferedReader reader =new BufferedReader(new InputStreamReader(robotsFileUrl.openStream()));   
74.   
75.         // 读robot文件，创建不允许访问的路径列表。   
76.          String line;   
77.         while ((line = reader.readLine()) != null) {   
78.           if (line.indexOf("Disallow:") == 0) {//是否包含"Disallow:"   
79.              String disallowPath =line.substring("Disallow:".length());//获取不允许访问路径   
80.   
81.             // 检查是否有注释。   
82.             int commentIndex = disallowPath.indexOf("#");   
83.             if (commentIndex != - 1) {   
84.                disallowPath =disallowPath.substring(0, commentIndex);//去掉注释   
85.              }   
86.                
87.              disallowPath = disallowPath.trim();   
88.              disallowList.add(disallowPath);   
89.             }   
90.           }   
91.   
92.         // 缓存此主机不允许访问的路径。   
93.          disallowListCache.put(host, disallowList);   
94.        } catch (Exception e) {   
95.               return true; //web站点根目录下没有robots.txt文件,返回真  
96.        }   
97.      }   
98.   
99.        
100.      String file = urlToCheck.getFile();   
101.     //System.out.println("文件getFile()="+file);  
102.     for (int i = 0; i < disallowList.size(); i++) {   
103.        String disallow = disallowList.get(i);   
104.       if (file.startsWith(disallow)) {   
105.         return false;   
106.        }   
107.      }   
108.   
109.     return true;   
110.    }   
111.   
112.   
113.   
114.    
115.   private String downloadPage(URL pageUrl) {  
116.      try {  
117.         // Open connection to URL for reading.  
118.          BufferedReader reader =  
119.           new BufferedReader(new InputStreamReader(pageUrl.openStream()));  
120.   
121.         // Read page into buffer.  
122.          String line;  
123.          StringBuffer pageBuffer = new StringBuffer();  
124.         while ((line = reader.readLine()) != null) {  
125.            pageBuffer.append(line);  
126.          }  
127.           
128.         return pageBuffer.toString();  
129.       } catch (Exception e) {  
130.       }  
131.   
132.      return null;  
133.    }  
134.   
135.   // 从URL中去掉"www"  
136.   private String removeWwwFromUrl(String url) {  
137.     int index = url.indexOf("://www.");  
138.     if (index != -1) {  
139.       return url.substring(0, index + 3) +  
140.          url.substring(index + 7);  
141.      }  
142.   
143.     return (url);  
144.    }  

1.  // 解析页面并找出链接  
2.   private ArrayList< String> retrieveLinks(URL pageUrl, String pageContents, HashSet crawledList,  
3.     boolean limitHost)  
4.    {  
5.     // 用正则表达式编译链接的匹配模式。  
6.   
7.      Pattern p =Pattern.compile("<a//s+href//s*=//s*/"?(.*?)[/"|>]",Pattern.CASE_INSENSITIVE);  
8.      Matcher m = p.matcher(pageContents);  
9.   
10.       
11.      ArrayList< String> linkList = new ArrayList< String>();  
12.     while (m.find()) {  
13.        String link = m.group(1).trim();  
14.         
15.       if (link.length() < 1) {  
16.         continue;  
17.        }  
18.   
19.       // 跳过链到本页面内链接。  
20.       if (link.charAt(0) == '#') {  
21.         continue;  
22.        }  
23.   
24.         
25.       if (link.indexOf("mailto:") != -1) {  
26.         continue;  
27.        }  
28.        
29.       if (link.toLowerCase().indexOf("javascript") != -1) {  
30.         continue;  
31.        }  
32.   
33.       if (link.indexOf("://") == -1){  
34.         if (link.charAt(0) == '/') {//处理绝对地    
35.            link = "http://" + pageUrl.getHost()+":"+pageUrl.getPort()+ link;  
36.          } else {           
37.            String file = pageUrl.getFile();  
38.           if (file.indexOf('/') == -1) {//处理相对地址  
39.              link = "http://" + pageUrl.getHost()+":"+pageUrl.getPort() + "/" + link;  
40.            } else {  
41.              String path =file.substring(0, file.lastIndexOf('/') + 1);  
42.              link = "http://" + pageUrl.getHost() +":"+pageUrl.getPort()+ path + link;  
43.            }  
44.          }  
45.        }  
46.   
47.       int index = link.indexOf('#');  
48.       if (index != -1) {  
49.          link = link.substring(0, index);  
50.        }  
51.   
52.        link = removeWwwFromUrl(link);  
53.   
54.        URL verifiedLink = verifyUrl(link);  
55.       if (verifiedLink == null) {  
56.         continue;  
57.        }  
58.   
59.       /* 如果限定主机，排除那些不合条件的URL*/  
60.       if (limitHost &&  
61.            !pageUrl.getHost().toLowerCase().equals(  
62.              verifiedLink.getHost().toLowerCase()))  
63.        {  
64.         continue;  
65.        }  
66.   
67.       // 跳过那些已经处理的链接.  
68.       if (crawledList.contains(link)) {  
69.         continue;  
70.        }  
71.   
72.         linkList.add(link);  
73.      }  
74.   
75.    return (linkList);  
76.    }  
77.   
78. // 搜索下载Web页面的内容，判断在该页面内有没有指定的搜索字符串  
79.   
80.   private boolean searchStringMatches(String pageContents, String searchString, boolean caseSensitive){  
81.         String searchContents = pageContents;   
82.        if (!caseSensitive) {//如果不区分大小写  
83.            searchContents = pageContents.toLowerCase();  
84.         }  
85.   
86.       
87.      Pattern p = Pattern.compile("[//s]+");  
88.      String[] terms = p.split(searchString);  
89.     for (int i = 0; i < terms.length; i++) {  
90.       if (caseSensitive) {  
91.         if (searchContents.indexOf(terms[i]) == -1) {  
92.           return false;  
93.          }  
94.        } else {  
95.         if (searchContents.indexOf(terms[i].toLowerCase()) == -1) {  
96.           return false;  
97.          }  
98.        }      }  
99.   
100.     return true;  
101.    }  
102.   
103.     
104.   //执行实际的搜索操作  
105.   public ArrayList< String> crawl(String startUrl, int maxUrls, String searchString,boolean limithost,boolean caseSensitive )  
106.    {   
107.       
108.      System.out.println("searchString="+searchString);  
109.      HashSet< String> crawledList = new HashSet< String>();  
110.      LinkedHashSet< String> toCrawlList = new LinkedHashSet< String>();  
111.   
112.      if (maxUrls < 1) {  
113.          errorList.add("Invalid Max URLs value.");  
114.          System.out.println("Invalid Max URLs value.");  
115.        }  
116.     
117.       
118.     if (searchString.length() < 1) {  
119.        errorList.add("Missing Search String.");  
120.        System.out.println("Missing search String");  
121.      }  
122.   
123.       
124.     if (errorList.size() > 0) {  
125.        System.out.println("err!!!");  
126.       return errorList;  
127.        }  
128.   
129.       
130.     // 从开始URL中移出www  
131.      startUrl = removeWwwFromUrl(startUrl);  
132.   
133.       
134.      toCrawlList.add(startUrl);  
135.     while (toCrawlList.size() > 0) {  
136.         
137.       if (maxUrls != -1) {  
138.         if (crawledList.size() == maxUrls) {  
139.           break;  
140.          }  
141.        }  
142.   
143.       // Get URL at bottom of the list.  
144.        String url =   toCrawlList.iterator().next();  
145.   
146.       // Remove URL from the to crawl list.  
147.        toCrawlList.remove(url);  
148.   
149.       // Convert string url to URL object.  
150.        URL verifiedUrl = verifyUrl(url);  
151.   
152.       // Skip URL if robots are not allowed to access it.  
153.       if (!isRobotAllowed(verifiedUrl)) {  
154.         continue;  
155.        }  
156.   
157.       
158.       // 增加已处理的URL到crawledList  
159.        crawledList.add(url);  
160.        String pageContents = downloadPage(verifiedUrl);  
161.   
162.         
163.       if (pageContents != null && pageContents.length() > 0){  
164.         // 从页面中获取有效的链接  
165.          ArrayList< String> links =retrieveLinks(verifiedUrl, pageContents, crawledList,limitHost);  
166.        
167.          toCrawlList.addAll(links);  
168.   
169.         if (searchStringMatches(pageContents, searchString,caseSensitive))  
170.          {  
171.            result.add(url);  
172.            System.out.println(url);  
173.          }  
174.       }  
175.   
176.       
177.      }  
178.    return result;  
179.    }  
180.   
181.   // 主函数  
182.   public static void main(String[] args) {  
183.      if(args.length!=3){  
184.          System.out.println("Usage:java SearchCrawler startUrl maxUrl searchString");  
185.         return;  
186.       }  
187.     int max=Integer.parseInt(args[1]);  
188.      SearchCrawler crawler = new SearchCrawler(args[0],max,args[2]);  
189.      Thread   search=new Thread(crawler);  
190.      System.out.println("Start searching...");  
191.      System.out.println("result:");  
192.      search.start();  
193.      
194.    }  
195. }