Java爬虫之抓取一个网站上的全部链接

前言:写这篇文章之前,主要是我看了几篇类似的爬虫写法,有的是用的队列来写,感觉不是很直观,还有的只有一个请求然后进行页面解析,根本就没有自动爬起来这也叫爬虫?因此我结合自己的思路写了一下简单的爬虫,测试用例就是自动抓取我的博客网站(http://www.zifangsky.cn)的所有链接。

一 算法简介

       程序在思路上采用了广度优先算法,对未遍历过的链接逐次发起GET请求,然后对返回来的页面用正则表达式进行解析,取出其中未被发现的新链接,加入集合中,待下一次循环时遍历。

       具体实现上使用了Map<String, Boolean>,键值对分别是链接和是否被遍历标志。程序中使用了两个Map集合,分别是:oldMap和newMap,初始的链接在oldMap中,然后对oldMap里面的标志为false的链接发起请求,解析页面,用正则取出<a>标签下的链接,如果这个链接未在oldMap和newMap中,则说明这是一条新的链接,同时要是这条链接是我们需要获取的目标网站的链接的话,我们就将这条链接放入newMap中,一直解析下去,等这个页面解析完成,把oldMap中当前页面的那条链接的值设为true,表示已经遍历过了。最后是当整个oldMap未遍历过的链接都遍历结束后,如果发现newMap不为空,则说明这一次循环有新的链接产生,因此将这些新的链接加入oldMap中,继续递归遍历,反之则说明这次循环没有产生新的链接,继续循环下去已经不能产生新链接了,因为任务结束,返回链接集合oldMap

二 程序实现

上面相关思路已经说得很清楚了,并且代码中关键地方有注释,因此这里就不多说了,代码如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
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>();  // 存储链接-是否被遍历
                                                                             // 键值对
         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( "链接:"  + mapping.getKey());
 
         }
 
     }
 
     /**
      * 抓取一个网站所有可以抓取的网页链接,在思路上使用了广度优先算法
      * 对未遍历过的新链接不断发起GET请求,一直到遍历完整个集合都没能发现新的链接
      * 则表示不能发现新的链接了,任务结束
     
      * @param oldLinkHost  域名,如:http://www.zifangsky.cn
      * @param oldMap  待遍历的链接集合
     
      * @return 返回所有抓取到的链接集合
      * */
     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());
             // 如果没有被遍历过
             if  (!mapping.getValue()) {
                 oldLink = mapping.getKey();
                 // 发起GET请求
                 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();  // 链接
                                 // String title = matcher.group(3).trim(); //标题
                                 // 判断获取到的链接是否以http开头
                                 if  (!newLink.startsWith( "http" )) {
                                     if  (newLink.startsWith( "/" ))
                                         newLink = oldLinkHost + newLink;
                                     else
                                         newLink = oldLinkHost +  "/"  + newLink;
                                 }
                                 //去除链接末尾的 /
                                 if (newLink.endsWith( "/" ))
                                     newLink = newLink.substring( 0 , newLink.length() -  1 );
                                 //去重,并且丢弃其他网站的链接
                                 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 );
             }
         }
         //有新链接,继续遍历
         if  (!newMap.isEmpty()) {
             oldMap.putAll(newMap);
             oldMap.putAll(crawlLinks(oldLinkHost, oldMap));   //由于Map的特性,不会导致出现重复的键值对
         }
         return  oldMap;
     }
 
}

三 最后的测试效果

 

wKiom1aCJ6LjWcotAAFyTOkuY9M691.png

PS:其实用递归这种方式不是太好,因为要是网站页面比较多的话,程序运行时间长了对内存的消耗会非常大,不过因为我的博客网站页面不是很多,因此效果还可以。

 

==============仅供参考============

转载于:https://www.cnblogs.com/xm1-ybtk/p/5087413.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值