前言：寫這篇文章之前，主要是我看了幾篇類似的爬蟲寫法，有的是用的隊列來寫，感覺不是很直觀，還有的只有一個請求然后進行頁面解析，根本就沒有自動爬起來這也叫爬蟲？因此我結合自己的思路寫了一下簡單的爬蟲，測試用例就是自動抓取我的博客網站（http://www.zifangsky.cn）的所有鏈接。
一 算法簡介
程序在思路上采用了廣度優先算法，對未遍歷過的鏈接逐次發起GET請求，然后對返回來的頁面用正則表達式進行解析，取出其中未被發現的新鏈接，加入集合中，待下一次循環時遍歷。
具體實現上使用了Map<String, Boolean>，鍵值對分別是鏈接和是否被遍歷標志。程序中使用了兩個Map集合，分別是：oldMap和newMap，初始的鏈接在oldMap中，然后對oldMap里面的標志為false的鏈接發起請求，解析頁面，用正則取出<a>標簽下的鏈接，如果這個鏈接未在oldMap和newMap中，則說明這是一條新的鏈接，同時要是這條鏈接是我們需要獲取的目標網站的鏈接的話，我們就將這條鏈接放入newMap中，一直解析下去，等這個頁面解析完成，把oldMap中當前頁面的那條鏈接的值設為true，表示已經遍歷過了。最后是當整個oldMap未遍歷過的鏈接都遍歷結束后，如果發現newMap不為空，則說明這一次循環有新的鏈接產生，因此將這些新的鏈接加入oldMap中，繼續遞歸遍歷，反之則說明這次循環沒有產生新的鏈接，繼續循環下去已經不能產生新鏈接了，因為任務結束，返回鏈接集合oldMap
二 程序實現
上面相關思路已經說得很清楚了，並且代碼中關鍵地方有注釋，因此這里就不多說了，代碼如下：
|
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>();
// 存儲鏈接-是否被遍歷
// 鍵值對
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(
"鏈接："
+ mapping.getKey());
}
}
/**
* 抓取一個網站所有可以抓取的網頁鏈接，在思路上使用了廣度優先算法
* 對未遍歷過的新鏈接不斷發起GET請求，一直到遍歷完整個集合都沒能發現新的鏈接
* 則表示不能發現新的鏈接了，任務結束
*
* @param oldLinkHost 域名，如：http://www.zifangsky.cn
* @param oldMap 待遍歷的鏈接集合
*
* @return 返回所有抓取到的鏈接集合
* */
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());
// 如果沒有被遍歷過
if
(!mapping.getValue()) {
oldLink = mapping.getKey();
// 發起GET請求
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();
// 鏈接
// String title = matcher.group(3).trim(); //標題
// 判斷獲取到的鏈接是否以http開頭
if
(!newLink.startsWith(
"http"
)) {
if
(newLink.startsWith(
"/"
))
newLink = oldLinkHost + newLink;
else
newLink = oldLinkHost +
"/"
+ newLink;
}
//去除鏈接末尾的 /
if
(newLink.endsWith(
"/"
))
newLink = newLink.substring(
0
, newLink.length() -
1
);
//去重，並且丟棄其他網站的鏈接
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
);
}
}
//有新鏈接，繼續遍歷
if
(!newMap.isEmpty()) {
oldMap.putAll(newMap);
oldMap.putAll(crawlLinks(oldLinkHost, oldMap));
//由於Map的特性，不會導致出現重復的鍵值對
}
return
oldMap;
}
}
|
三 最后的測試效果
PS：其實用遞歸這種方式不是太好，因為要是網站頁面比較多的話，程序運行時間長了對內存的消耗會非常大，不過因為我的博客網站頁面不是很多，因此效果還可以。
==============僅供參考============