最近在做一個搜索相關的項目，需要爬取網絡上的一些鏈接存儲到索引庫中，雖然有很多開源的強大的爬蟲框架，但本著學習的態(tài)度，自己寫了一個簡單的網絡爬蟲，以便了解其中的原理。今天，就為小伙伴們分享下這個簡單的爬蟲程序！！

首先介紹每個類的功能：

DownloadPage.java的功能是下載此超鏈接的頁面源代碼. FunctionUtils.java 的功能是提供不同的靜態(tài)方法，包括：頁面鏈接正則表達式匹配,獲取URL鏈接的元素,判斷是否創(chuàng)建文件,獲取頁面的Url并將其轉換為規(guī)范的Url,截取網頁網頁源文件的目標內容。 HrefOfPage.java 的功能是獲取頁面源代碼的超鏈接。 UrlDataHanding.java 的功能是整合各個給類，實現(xiàn)url到獲取數(shù)據(jù)到數(shù)據(jù)處理類。 UrlQueue.java 的未訪問Url隊列。 VisitedUrlQueue.java 已訪問過的URL隊列。

下面介紹一下每個類的源代碼：

DownloadPage.java 此類要用到HttpClient組件。

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 { /** * 根據(jù)URL抓取網頁內容 * * @param url * @return */ public static String getContentFormUrl(String url) { /* 實例化一個HttpClient客戶端 */ HttpClient client = new DefaultHttpClient(); HttpGet getHttp = new HttpGet(url); String content = null; HttpResponse response; try { /* 獲得信息載體 */ response = client.execute(getHttp); HttpEntity entity = response.getEntity(); VisitedUrlQueue.addElem(url); if (entity != null) { /* 轉化為文本信息 */ content = EntityUtils.toString(entity); /* 判斷是否符合下載網頁源代碼到本地的條件 */ 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 此類的方法均為static方法

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 { /** * 匹配超鏈接的正則表達式 */ 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; /** * 爬蟲搜索深度 */ public static int depth = 0; /** * 以'/'來分割URL,獲得超鏈接的元素 * * @param url * @return */ public static String[] divUrl(String url) { return url.split('/'); } /** * 判斷是否創(chuàng)建文件 * * @param url * @return */ public static boolean isCreateFile(String url) { Matcher matcher = pattern.matcher(url); return matcher.matches(); } /** * 創(chuàng)建對應文件 * * @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('創(chuàng)建文件成功'); } catch (IOException e) { e.printStackTrace(); } } } } } /** * 獲取頁面的超鏈接并將其轉換為正式的A標簽 * * @param href * @return */ public static String getHrefOfInOut(String href) { /* 內外部鏈接最終轉化為完整的鏈接格式 */ String resultHref = null; /* 判斷是否為外部鏈接 */ if (href.startsWith('http://')) { resultHref = href; } else { /* 如果是內部鏈接,則補充完整的鏈接地址,其他的格式忽略不處理,如：a href='http://www.b3g6.com/bcjs/4429.html#' rel='external nofollow' */ if (href.startsWith('/')) { result + href; } } return resultHref; } /** * 截取網頁網頁源文件的目標內容 * * @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); } /** * 檢查網頁源文件中是否有目標文件 * * @param content * @return */ public static int isHasGoalContent(String content) { return content.indexOf('<pre class=''); }}

HrefOfPage.java 此類為獲取頁面的超鏈接

package com.sreach.spider;/** * @author binghe * */public class HrefOfPage { /** * 獲得頁面源代碼中超鏈接 */ public static void getHrefOfContent(String content) { System.out.println('開始'); String[] contents = content.split('<a href='http://www.b3g6.com/bcjs/4429.html'); 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() + '--抓取到的連接數(shù)'); System.out.println(VisitedUrlQueue.size() + '--已處理的頁面數(shù)'); }}

UrlDataHanding.java 此類主要是從未訪問隊列中獲取url,下載頁面，分析url，保存已訪問url等操作，實現(xiàn)Runnable接口

package com.sreach.spider;/** * @author binghe * */public class UrlDataHanding implements Runnable { /** * 下載對應頁面并分析出頁面對應的URL放在未訪問隊列中。 * * @param url */ public void dataHanding(String url) { HrefOfPage.getHrefOfContent(DownloadPage.getContentFormUrl(url)); } public void run() { while (!UrlQueue.isEmpty()) { dataHanding(UrlQueue.outElem()); } }}

UrlQueue.java 此類主要是用來存放未訪問的URL隊列

package com.sreach.spider;import java.util.LinkedList;/** * @author binghe * */public class UrlQueue { /** 超鏈接隊列 */ public static LinkedList<String> urlQueue = new LinkedList<String>(); /** 隊列中對應最多的超鏈接數(shù)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 主要是保存已訪問過的URL，使用HashSet來保存，主要是考慮到每個訪問過的URL是不同。HashSet剛好符合這個要求

package com.sreach.spider;import java.util.HashSet;/** * 已訪問url隊列 * @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 此類為測試類

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(); } }}

說明一下：由于我抓取的是針對oschina的，所以里面的url正則表達式不適合其他網站，需要自己修改一下。你也可以寫成xml來配置。

到此這篇關于半小時實現(xiàn)Java手擼網絡爬蟲框架(附完整源碼)的文章就介紹到這了,更多相關Java 網絡爬蟲框架內容請搜索好吧啦網以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持好吧啦網！