Java实现-------网络蜘蛛

闲来无事，学习了一下网络蜘蛛的简易原理。是最简单的一种，一般新手都可以看得懂哦~~读者可以将其进行扩展，可以实现用来抓取网页js或者css等等哦。。。

package com.insist.entity;

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.net.URLConnection;
import java.util.Iterator;
import java.util.List;
import java.util.Map;
import java.util.Set;

/**
 * 网络蜘蛛类
 * @author SNOOPY
 */
public class Spider {
	/**
	 * 
	 * @param srcLink  要获取网页源码的路径
	 * @param encoding	编码格式
	 * @return
	 */
	public static String getPageHtmlSource(String srcLink){
		//List<String> list = new ArrayList<String>();
		InputStream inputStream = null;
		InputStreamReader inputStreamReader =null;
		BufferedReader bufferedReader = null;
		StringBuilder strBuilder = null;
		String htmlcode = null;
		try {
			//1、建立与网页服务器连接
			URL url = new URL(srcLink);
			URLConnection urlconnection =url.openConnection();//打开链接
			//urlconnection.setRequestProperty("User-Agent", "java");
			
			String encoding = getHtmlEncoding(srcLink,url);
System.out.println("encoding====="+encoding);			
			//2、通过该连接，读取数据(获取输入流)
			inputStream = urlconnection.getInputStream();//得到字节输入流
			inputStreamReader = new InputStreamReader(inputStream,encoding);//转为字符流
			
			bufferedReader = new BufferedReader(inputStreamReader);//构建缓冲输入流
			strBuilder = new StringBuilder();//非线程安全，多线程同时访问时会有问题    但效率高  StringBuffer 线程安全

			String line = null;//存储一行数据
			while((line=bufferedReader.readLine())!=null){
				strBuilder.append(line+"\r\n");//回车换行区别 回车： 回到同一行的起始位置，换行：换到下一行
			}
			htmlcode = strBuilder.toString();
			
		} catch (MalformedURLException e) {
			e.printStackTrace();
		} catch (IOException e) {
			e.printStackTrace();
		}finally{
			try {
				bufferedReader.close();
				inputStreamReader.close();
				inputStream.close();
			} catch (IOException e) {
				e.printStackTrace();
			}
		}
		return htmlcode;
	}
	public static String getHtmlEncoding(String url,URL Url){
		/**
		 * 根据头部获取encoding
		 */
		String encoding = null;
		try {
			HttpURLConnection huc = (HttpURLConnection)Url.openConnection();
			huc.connect();
			Map<String,List<String>> map = huc.getHeaderFields();
			Set<String> keys = map.keySet();
			Iterator<String> it = keys.iterator();
			String key = null;  
	        String tmp = null;  
	        while (it.hasNext()) {  
	            key = it.next();  
	            tmp = map.get(key).toString().toLowerCase();  
	            // 获取content-type charset  
	            if (key != null && key.equals("Content-Type")) {
	                int m = tmp.indexOf("charset=");//返回指定子字符串在此字符串中第一次出现处的索引。
	                if (m != -1) {  
	                    encoding = tmp.substring(m + 8).replace("]", "");  
	                    return encoding;  
	                }  
	            }  
	        }
		} catch (MalformedURLException e) {
			e.printStackTrace();
		} catch (IOException e) {
			e.printStackTrace();
		}
		return encoding;
	}
	public static void main(String[] args) {
		/**
		 * 测试方法
		 * 最好用浏览器进行测试，控制台测试也可以，但是可能因为网页字符集和控制台字符集不匹配造成不能显示汉子
		 */
		String srcURL ="http://www.qq.com";
		String html = getPageHtmlSource(srcURL);
		System.out.println(html);
	}
}