大家好，又见面了，我是你们的朋友全栈君。
大家好，我是冰河~~
最近在做一个搜索相关的项目，需要爬取网络上的一些链接存储到索引库中，虽然有很多开源的强大的爬虫框架，但本着学习的态度，自己写了一个简单的网络爬虫，以便了解其中的原理。今天，就为小伙伴们分享下这个简单的爬虫程序！！
小伙伴们如果觉得文章不错，点赞、收藏、评论，分享走一起呀，记得给冰河来个一键三连~~
说干就干，我们开始吧！
首先介绍每个类的功能：
- DownloadPage.java的功能是下载此超链接的页面源代码.
- FunctionUtils.java 的功能是提供不同的静态方法，包括：页面链接正则表达式匹配,获取URL链接的元素,判断是否创建文件,获取页面的Url并将其转换为规范的Url,截取网页网页源文件的目标内容。
- HrefOfPage.java 的功能是获取页面源代码的超链接。
- UrlDataHanding.java 的功能是整合各个给类，实现url到获取数据到数据处理类。
- UrlQueue.java 的未访问Url队列。
- VisitedUrlQueue.java 已访问过的URL队列。
下面介绍一下每个类的源代码：
DownloadPage.java 此类要用到HttpClient组件。
代码语言：javascript复制package com.sreach.spider;
import java.io.IOException;
import org.apache.http.HttpEntity;
import org.apache.http.HttpResponse;
import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.HttpClient;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.DefaultHttpClient;
import org.apache.http.util.EntityUtils;
/** * @author binghe */
public class DownloadPage {
/** * 根据URL抓取网页内容 * * @param url * @return */
public static String getContentFormUrl(String url) {
/* 实例化一个HttpClient客户端 */
HttpClient client = new DefaultHttpClient();
HttpGet getHttp = new HttpGet(url);
String content = null;
HttpResponse response;
try {
/* 获得信息载体 */
response = client.execute(getHttp);
HttpEntity entity = response.getEntity();
VisitedUrlQueue.addElem(url);
if (entity != null) {
/* 转化为文本信息 */
content = EntityUtils.toString(entity);
/* 判断是否符合下载网页源代码到本地的条件 */
if (FunctionUtils.isCreateFile(url)
&& FunctionUtils.isHasGoalContent(content) != -1) {
FunctionUtils.createFile(
FunctionUtils.getGoalContent(content), url);
}
}
} catch (ClientProtocolException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
} finally {
client.getConnectionManager().shutdown();
}
return content;
}
}FunctionUtils.java 此类的方法均为static方法
代码语言：javascript复制package com.sreach.spider;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.OutputStreamWriter;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
/** * @author binghe */
public class FunctionUtils {
/** * 匹配超链接的正则表达式 */
private static String pat = "http://www\.oschina\.net/code/explore/.*/\w \.[a-zA-Z] ";
private static Pattern pattern = Pattern.compile(pat);
private static BufferedWriter writer = null;
/** * 爬虫搜索深度 */
public static int depth = 0;
/** * 以"/"来分割URL,获得超链接的元素 * * @param url * @return */
public static String[] divUrl(String url) {
return url.split("/");
}
/** * 判断是否创建文件 * * @param url * @return */
public static boolean isCreateFile(String url) {
Matcher matcher = pattern.matcher(url);
return matcher.matches();
}
/** * 创建对应文件 * * @param content * @param urlPath */
public static void createFile(String content, String urlPath) {
/* 分割url */
String[] elems = divUrl(urlPath);
StringBuffer path = new StringBuffer();
File file = null;
for (int i = 1; i < elems.length; i ) {
if (i != elems.length - 1) {
path.append(elems[i]);
path.append(File.separator);
file = new File("D:" File.separator path.toString());
}
if (i == elems.length - 1) {
Pattern pattern = Pattern.compile("\w \.[a-zA-Z] ");
Matcher matcher = pattern.matcher(elems[i]);
if ((matcher.matches())) {
if (!file.exists()) {
file.mkdirs();
}
String[] fileName = elems[i].split("\.");
file = new File("D:" File.separator path.toString()
File.separator fileName[0] ".txt");
try {
file.createNewFile();
writer = new BufferedWriter(new OutputStreamWriter(
new FileOutputStream(file)));
writer.write(content);
writer.flush();
writer.close();
System.out.println("创建文件成功");
} catch (IOException e) {
e.printStackTrace();
}
}
}
}
}
/** * 获取页面的超链接并将其转换为正式的A标签 * * @param href * @return */
public static String getHrefOfInOut(String href) {
/* 内外部链接最终转化为完整的链接格式 */
String resultHref = null;
/* 判断是否为外部链接 */
if (href.startsWith("http://")) {
resultHref = href;
} else {
/* 如果是内部链接,则补充完整的链接地址,其他的格式忽略不处理,如：a href="#" */
if (href.startsWith("/")) {
resultHref = "http://www.oschina.net" href;
}
}
return resultHref;
}
/** * 截取网页网页源文件的目标内容 * * @param content * @return */
public static String getGoalContent(String content) {
int sign = content.indexOf("<pre class="");
String signContent = content.substring(sign);
int start = signContent.indexOf(">");
int end = signContent.indexOf("</pre>");
return signContent.substring(start 1, end);
}
/** * 检查网页源文件中是否有目标文件 * * @param content * @return */
public static int isHasGoalContent(String content) {
return content.indexOf("<pre class="");
}
}HrefOfPage.java 此类为获取页面的超链接
代码语言：javascript复制package com.sreach.spider;
/** * @author binghe * */
public class HrefOfPage {
/** * 获得页面源代码中超链接 */
public static void getHrefOfContent(String content) {
System.out.println("开始");
String[] contents = content.split("<a href="");
for (int i = 1; i < contents.length; i ) {
int endHref = contents[i].indexOf(""");
String aHref = FunctionUtils.getHrefOfInOut(contents[i].substring(
0, endHref));
if (aHref != null) {
String href = FunctionUtils.getHrefOfInOut(aHref);
if (!UrlQueue.isContains(href)
&& href.indexOf("/code/explore") != -1
&& !VisitedUrlQueue.isContains(href)) {
UrlQueue.addElem(href);
}
}
}
System.out.println(UrlQueue.size() "--抓取到的连接数");
System.out.println(VisitedUrlQueue.size() "--已处理的页面数");
}
}UrlDataHanding.java 此类主要是从未访问队列中获取url,下载页面，分析url，保存已访问url等操作，实现Runnable接口
代码语言：javascript复制package com.sreach.spider;
/** * @author binghe * */
public class UrlDataHanding implements Runnable {
/** * 下载对应页面并分析出页面对应的URL放在未访问队列中。 * * @param url */
public void dataHanding(String url) {
HrefOfPage.getHrefOfContent(DownloadPage.getContentFormUrl(url));
}
public void run() {
while (!UrlQueue.isEmpty()) {
dataHanding(UrlQueue.outElem());
}
}
}UrlQueue.java 此类主要是用来存放未访问的URL队列
代码语言：javascript复制package com.sreach.spider;
import java.util.LinkedList;
/** * @author binghe * */
public class UrlQueue {
/** 超链接队列 */
public static LinkedList<String> urlQueue = new LinkedList<String>();
/** 队列中对应最多的超链接数量 */
public static final int MAX_SIZE = 10000;
public synchronized static void addElem(String url) {
urlQueue.add(url);
}
public synchronized static String outElem() {
return urlQueue.removeFirst();
}
public synchronized static boolean isEmpty() {
return urlQueue.isEmpty();
}
public static int size() {
return urlQueue.size();
}
public static boolean isContains(String url) {
return urlQueue.contains(url);
}
}VisitedUrlQueue.java 主要是保存已访问过的URL，使用HashSet来保存，主要是考虑到每个访问过的URL是不同。HashSet刚好符合这个要求
代码语言：javascript复制package com.sreach.spider;
import java.util.HashSet;
/** * 已访问url队列 * @author binghe * */
public class VisitedUrlQueue {
public static HashSet<String> visitedUrlQueue = new HashSet<String>();
public synchronized static void addElem(String url) {
visitedUrlQueue.add(url);
}
public synchronized static boolean isContains(String url) {
return visitedUrlQueue.contains(url);
}
public synchronized static int size() {
return visitedUrlQueue.size();
}
}Test.java 此类为测试类
代码语言：javascript复制import java.sql.SQLException;
import com.sreach.spider.UrlDataHanding;
import com.sreach.spider.UrlQueue;
/** * @author binghe * */
public class Test {
public static void main(String[] args) throws SQLException {
String url = "http://www.oschina.net/code/explore/achartengine/client/AndroidManifest.xml";
String url1 = "http://www.oschina.net/code/explore";
String url2 = "http://www.oschina.net/code/explore/achartengine";
String url3 = "http://www.oschina.net/code/explore/achartengine/client";
UrlQueue.addElem(url);
UrlQueue.addElem(url1);
UrlQueue.addElem(url2);
UrlQueue.addElem(url3);
UrlDataHanding[] url_Handings = new UrlDataHanding[10];
for (int i = 0; i < 10; i ) {
url_Handings[i] = new UrlDataHanding();
new Thread(url_Handings[i]).start();
}
}
}说明一下：由于我抓取的是针对oschina的，所以里面的url正则表达式不适合其他网站，需要自己修改一下。你也可以写成xml来配置。
写在最后
如果你想进大厂，想升职加薪，或者对自己现有的工作比较迷茫，都可以私信我交流，希望我的一些经历能够帮助到大家~~
推荐阅读：
- 《三天撸完了MyBatis，各位随便问！！（冰河吐血整理，建议收藏）》
- 《奉劝那些刚参加工作的学弟学妹们：要想进大厂，这些核心技能是你必须要掌握的！完整学习路线！！（建议收藏）》
- 《奉劝那些刚参加工作的学弟学妹们：这些计算机与操作系统基础知识越早知道越好！万字长文太顶了！！（建议收藏）》
- 《我用三天时间开发了一款老少皆宜的国民级游戏，支持播放音乐，现开放完整源代码和注释（建议收藏）！！》
- 《我是全网最硬核的高并发编程作者，CSDN最值得关注的博主，大家同意吗？（建议收藏）》
- 《毕业五年，从月薪3000到年薪百万，我掌握了哪些核心技能？（建议收藏）》
- 《我入侵了隔壁妹子的Wifi，发现。。。（全程实战干货，建议收藏）》
- 《千万不要轻易尝试“熊猫烧香”，这不，我后悔了！》
- 《清明节偷偷训练“熊猫烧香”，结果我的电脑为熊猫“献身了”！》
- 《7.3万字肝爆Java8新特性，我不信你能看完！（建议收藏）》
- 《在业务高峰期拔掉服务器电源是一种怎样的体验？》
- 《全网最全Linux命令总结！！（史上最全，建议收藏）》
好了，今天就到这儿吧，小伙伴们点赞、收藏、评论，一键三连走起呀，我是冰河，我们下期见~~
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/172007.html原文链接：https://javaforall.cn
