java爬虫抓取网页数据(就是自动爬起来()所有链接())
优采云 发布时间: 2021-10-23 08:15java爬虫抓取网页数据(就是自动爬起来()所有链接())
前言：在写这篇文章之前，主要看了几个类似的爬虫写法，有的写成队列，感觉不是很直观，有的只有一个请求和页面分析，但是没有自动爬升。这也叫爬虫？因此，我根据自己的想法编写了一个简单的爬虫。测试用例是自动抓取我博客的所有链接网站()。
算法介绍
程序在思想上采用了广度优先算法。它对没有被遍历过的链接一一发起GET请求，然后用正则表达式解析返回的页面，取出没有发现的新链接，加入集合中，等待下一次遍历的同时循环。
具体实现中使用的是map，key-value对就是链接和是否遍历。程序中用到了两个Map集合，分别是：oldMap和newMap。初始链接在oldMap中，然后请求oldMap中flag为false的链接，解析页面，使用常规规则检索标签下的链接。如果这个链接不在oldMap和newMap中，则说明这是一个新的链接，如果这个链接是我们需要获取的目标网站的链接，我们会把这个链接放到newMap中，继续解析。, 页面解析完成后，将oldMap中当前页面上的链接值设置为true，表示已经被遍历。最后将整个oldMap还没有遍历的链接遍历完成后，如果发现newMap不为空，则说明本次循环产生了新的链接，所以将这些新链接加入到oldMap中继续递归遍历，反之亦然。在此循环中不会生成新链接。如果循环继续，则无法生成新链接。因为任务结束，返回链接集合oldMap
二 方案实施
上面的相关思路已经解释的很清楚了，代码中关键地方都有注释，这里就不多说了，代码如下：
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 oldMap = new LinkedHashMap(); // 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 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 crawlLinks(String oldLinkHost,
Map oldMap) {
Map newMap = new LinkedHashMap();
String oldLink = "";
for (Map.Entry 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>");
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;
}
}
三项最终测试结果
PS：它的实际递归不是很好，因为如果网站页面多的话，程序运行时间长的话内存消耗会很大，但是因为我的博客网站页面不是很多，所以效果还可以
