java版网络爬虫

Delver_Si · 发表于 2014-11-30 16:56:56

[mw_shl_code=java,true]/**
* @author Jack.Wang
*
*/
import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.URL;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.HashSet;
import java.util.LinkedHashSet;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

// 搜索Web爬行者
public class SearchCrawler implements Runnable {

/*
  * 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,
  * 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:
  * # robots.txt for http://somehost.com/ User-agent:
  * Disallow: /cgi-bin/
  * Disallow: /registration # Disallow robots on registration page
  * Disallow: /login
  */

private HashMap<String, ArrayList<String>> disallowListCache = new HashMap<String, ArrayList<String>>();
ArrayList<String> errorList = new ArrayList<String>();// 错误信息
ArrayList<String> result = new ArrayList<String>(); // 搜索到的结果
String startUrl;// 开始搜索的起点
int maxUrl;// 最大处理的url数
String searchString;// 要搜索的字符串(英文)
boolean caseSensitive = false;// 是否区分大小写
boolean limitHost = false;// 是否在限制的主机内搜索

public SearchCrawler(String startUrl, int maxUrl, String searchString) {
  this.startUrl = startUrl;
  this.maxUrl = maxUrl;
  this.searchString = searchString;
}

public ArrayList<String> getResult() {
  return result;
}

public void run() {// 启动搜索线程
  crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive);
}

// 检测URL格式
private URL verifyUrl(String url) {
  // 只处理HTTP URLs.
  if (!url.toLowerCase().startsWith("http://"))
return null;
  URL verifiedUrl = null;
  try {
verifiedUrl = new URL(url);
  } catch (Exception e) {
return null;
  }
  return verifiedUrl;
}

// 检测robot是否允许访问给出的URL.
private boolean isRobotAllowed(URL urlToCheck) {
  String host = urlToCheck.getHost().toLowerCase();// 获取给出RUL的主机
  // System.out.println("主机="+host);

  // 获取主机不允许搜索的URL缓存
  ArrayList<String> disallowList = disallowListCache.get(host);

  // 如果还没有缓存,下载并缓存。
  if (disallowList == null) {
disallowList = new ArrayList<String>();
try {
URL robotsFileUrl = new URL("http://" + host + "/robots.txt");
BufferedReader reader = new BufferedReader(
   new InputStreamReader(robotsFileUrl.openStream()));

// 读robot文件，创建不允许访问的路径列表。
String line;
while ((line = reader.readLine()) != null) {
   if (line.indexOf("Disallow:") == 0) {// 是否包含"Disallow:"
   String disallowPath = line.substring("Disallow:"
      .length());// 获取不允许访问路径

   // 检查是否有注释。
   int commentIndex = disallowPath.indexOf("#");
   if (commentIndex != -1) {
   disallowPath = disallowPath.substring(0,
      commentIndex);// 去掉注释
   }

   disallowPath = disallowPath.trim();
   disallowList.add(disallowPath);
   }
}

// 缓存此主机不允许访问的路径。
disallowListCache.put(host, disallowList);
} catch (Exception e) {
return true; // web站点根目录下没有robots.txt文件,返回真
}
  }

  String file = urlToCheck.getFile();
  // System.out.println("文件getFile()="+file);
  for (int i = 0; i < disallowList.size(); i++) {
String disallow = disallowList.get(i);
if (file.startsWith(disallow)) {
return false;
}
  }

  return true;
}

private String downloadPage(URL pageUrl) {
  try {
// Open connection to URL for reading.
BufferedReader reader = new BufferedReader(new InputStreamReader(
   pageUrl.openStream()));

// Read page into buffer.
String line;
StringBuffer pageBuffer = new StringBuffer();
while ((line = reader.readLine()) != null) {
pageBuffer.append(line);
}

return pageBuffer.toString();
  } catch (Exception e) {
  }

  return null;
}

// 从URL中去掉"www"
private String removeWwwFromUrl(String url) {
  int index = url.indexOf("://www.");
  if (index != -1) {
return url.substring(0, index + 3) + url.substring(index + 7);
  }

  return (url);
}

// 解析页面并找出链接
private ArrayList<String> retrieveLinks(URL pageUrl, String pageContents,
HashSet crawledList, boolean limitHost) {
  // 用正则表达式编译链接的匹配模式。
  Pattern p = Pattern.compile("<a\\s+href\\s*=\\s*\"?(.*?)[\"|>]",
Pattern.CASE_INSENSITIVE);
  Matcher m = p.matcher(pageContents);

  ArrayList<String> linkList = new ArrayList<String>();
  while (m.find()) {
String link = m.group(1).trim();

if (link.length() < 1) {
continue;
}

// 跳过链到本页面内链接。
if (link.charAt(0) == '#') {
continue;
}

if (link.indexOf("mailto:") != -1) {
continue;
}

if (link.toLowerCase().indexOf("javascript") != -1) {
continue;
}

if (link.indexOf("://") == -1) {
if (link.charAt(0) == '/') {// 处理绝对地
   link = "http://" + pageUrl.getHost() + ":"
   + pageUrl.getPort() + link;
} else {
   String file = pageUrl.getFile();
   if (file.indexOf('/') == -1) {// 处理相对地址
   link = "http://" + pageUrl.getHost() + ":"
      + pageUrl.getPort() + "/" + link;
   } else {
   String path = file.substring(0,
      file.lastIndexOf('/') + 1);
   link = "http://" + pageUrl.getHost() + ":"
      + pageUrl.getPort() + path + link;
   }
}
}

int index = link.indexOf('#');
if (index != -1) {
link = link.substring(0, index);
}

link = removeWwwFromUrl(link);

URL verifiedLink = verifyUrl(link);
if (verifiedLink == null) {
continue;
}

/* 如果限定主机，排除那些不合条件的URL */
if (limitHost
   && !pageUrl.getHost().toLowerCase().equals(
   verifiedLink.getHost().toLowerCase())) {
continue;
}

// 跳过那些已经处理的链接.
if (crawledList.contains(link)) {
continue;
}

linkList.add(link);
  }

  return (linkList);
}

// 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

private boolean searchStringMatches(String pageContents,
String searchString, boolean caseSensitive) {
  String searchContents = pageContents;
  if (!caseSensitive) {// 如果不区分大小写
searchContents = pageContents.toLowerCase();
  }

  Pattern p = Pattern.compile("[\\s]+");
  String[] terms = p.split(searchString);
  for (int i = 0; i < terms.length; i++) {
if (caseSensitive) {
if (searchContents.indexOf(terms) == -1) {
   return false;
}
} else {
if (searchContents.indexOf(terms.toLowerCase()) == -1) {
   return false;
}
}
  }

  return true;
}

// 执行实际的搜索操作
public ArrayList<String> crawl(String startUrl, int maxUrls,
String searchString, boolean limithost, boolean caseSensitive) {

  HashSet<String> crawledList = new HashSet<String>();
  LinkedHashSet<String> toCrawlList = new LinkedHashSet<String>();

  if (maxUrls < 1) {
errorList.add("Invalid Max URLs value.");
System.out.println("Invalid Max URLs value.");
  }

  if (searchString.length() < 1) {
errorList.add("Missing Search String.");
System.out.println("Missing search String");
  }

  if (errorList.size() > 0) {
System.out.println("err!!!");
return errorList;
  }

  // 从开始URL中移出www
  startUrl = removeWwwFromUrl(startUrl);

  toCrawlList.add(startUrl);
  while (toCrawlList.size() > 0) {

if (maxUrls != -1) {
if (crawledList.size() == maxUrls) {
   break;
}
}

// Get URL at bottom of the list.
String url = toCrawlList.iterator().next();

// Remove URL from the to crawl list.
toCrawlList.remove(url);

// Convert string url to URL object.
URL verifiedUrl = verifyUrl(url);

// Skip URL if robots are not allowed to access it.
if (!isRobotAllowed(verifiedUrl)) {
continue;
}

// 增加已处理的URL到crawledList
crawledList.add(url);
String pageContents = downloadPage(verifiedUrl);

if (pageContents != null && pageContents.length() > 0) {
// 从页面中获取有效的链接
ArrayList<String> links = retrieveLinks(verifiedUrl,
   pageContents, crawledList, limitHost);

toCrawlList.addAll(links);

if (searchStringMatches(pageContents, searchString,
   caseSensitive)) {
   result.add(url);
   System.out.println(url);
}
}

  }
  return result;
}

// 主函数
public static void main(String[] args) {
  SearchCrawler crawler = new SearchCrawler("http://www.itsvse.com/", 100,"Delver_Si");
  Thread search = new Thread(crawler);
  System.out.println("Start searching...");
  System.out.println("result:");
  search.start();
  try {
search.join();
  } catch (InterruptedException e) {
// TODO Auto-generated catch block
e.printStackTrace();
  }
}
}
[/mw_shl_code]

test · 发表于 2014-11-30 18:07:24

看到马云还差3亿就赶超李嘉诚成为亚洲首富的消息，心里咯噔一下，赶紧上网查了一下自己的排名，基本没受影响，排名还保持在14亿名左右，这下我放心了！其实我也是有梦想的人，从小就梦想自己有天带着墨镜开着兰博基尼跑车回俺们家乡逛逛，经过近20多年的努力，如今梦想实现一半了，已经拥有了自己的墨镜，只差跑车了，梦想快要变成现实，一想还有点小激动呢！

Delver_Si · 发表于 2014-11-30 18:28:24

清楚你未暗示我发表于 2014-11-30 18:08
什么意思，没看明白

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动的抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁，自动索引，模拟程序或者蠕虫。

admin · 发表于 2014-11-30 17:40:16

Delver_Si 发表于 2014-11-30 17:22
想写个爆破mssql ftp 等的工具，网上的不好使

写吧我支持你！爆破工具一般都是.net写的 Java写的还没有几个支持你用Java写个！

admin · 发表于 2014-11-30 17:19:07

我擦，这个用来做个黑客工具不错偶！

马蜂 · 发表于 2014-11-30 17:22:22

先收藏了虽然现在没用我相信以后会有用的！

Delver_Si · 发表于 2014-11-30 17:22:42

想写个爆破mssql ftp 等的工具，网上的不好使

清楚你未暗示我 · 发表于 2014-11-30 18:08:16

什么意思，没看明白

Delver_Si · 发表于 2014-11-30 18:32:40

admin 发表于 2014-11-30 17:40
写吧我支持你！爆破工具一般都是.net写的 Java写的还没有几个支持你用Java写个！

工具包里的mssql爆破器连我自己的都爆破不了，

Delver_Si · 发表于 2014-11-30 18:33:09

test 发表于 2014-11-30 18:07
看到马云还差3亿就赶超李嘉诚成为亚洲首富的消息，心里咯噔一下，赶紧上网查了一下自己的排名，基本没受影 ...

你是站长的马甲吧？

		自动登录	找回密码
密码			注册[Register]

[Java源代码] java版网络爬虫

相关帖子