宽度优先爬虫
来源:互联网 发布:淘宝旅行网订机票 编辑:程序博客网 时间:2024/06/01 12:15
1.自定义队列Queue,保存将要访问的URL:
package com.peng.queue;import java.util.LinkedList;//队列,保存将要访问的URLpublic class Queue { //使用链表实现队列 private LinkedList queue=new LinkedList(); //入队列 public void enQueue(Object t){ queue.addLast(t); } //出队列 public Object deQueue(){ return queue.removeFirst(); } //判断队列为空 public boolean isQueueEmpty(){ return queue.isEmpty(); } //判断队列是否包含t public boolean contians(Object t){ return queue.contains(t); } public boolean empty(){ return queue.isEmpty(); }}
2.定义数据结构LinkQueue ,维护已经访问过的URL和尚未访问过的URL:
package com.peng.queue;import java.util.HashSet;import java.util.PriorityQueue;import java.util.Set;//注意此时队列用的是自定义的队列import com.peng.queue.*;public class LinkQueue1 { //已访问的url集合 private static Set visitedUrl=new HashSet(); //待访问的url集合 private static Queue unVisitedUrl=new Queue(); //获得URL队列 public static Queue getUnVisitedUrl(){ return unVisitedUrl; } //添加到访问过的URL队列中 public static void addVisitedUrl(String url){ visitedUrl.add(url); } //移除访问过的URL public static void removeVisitedUrl(String url){ visitedUrl.remove(url); } //未访问过的URL出队列 public static Object unVisitedUrlDeQueue(){ //return unVisitedUrl.deQueue(); return unVisitedUrl.deQueue(); } //保证每个URL只被访问一次 public static void addUnvisitedUrl(String url){ if(url!=null&&!url.trim().equals("")&&!visitedUrl.contains(url) &&!unVisitedUrl.contians(url)) //unVisitedUrl.enQueue(url); unVisitedUrl.enQueue(url);; } //获得已经访问的URL数目 public static int getVisitedUrlNum(){ return visitedUrl.size(); } //判断未访问的URL队列中是否为空 public static boolean unVisitedUrlsEmpty(){ //return unVisitedUrl.empty(); return unVisitedUrl.empty(); }}
3.DownLoadFile网页下载并处理:
package com.peng.download;import java.io.DataOutputStream;import java.io.File;import java.io.FileOutputStream;import java.io.IOException;import org.apache.commons.httpclient.DefaultHttpMethodRetryHandler;import org.apache.commons.httpclient.HttpClient;import org.apache.commons.httpclient.HttpException;import org.apache.commons.httpclient.HttpStatus;import org.apache.commons.httpclient.methods.GetMethod;import org.apache.commons.httpclient.params.HttpMethodParams;public class DownLoadFile { /** * 根据 url 和网页类型生成需要保存的网页的文件名 去除掉 url 中非文件名字符 */ public String getFileNameByUrl(String url,String contentType) { //remove http:// url=url.substring(7); //text/html类型 if(contentType.indexOf("html")!=-1) { url= url.replaceAll("[\\?/:*|<>\"]", "_")+".html"; return url; } //如application/pdf类型 else { return url.replaceAll("[\\?/:*|<>\"]", "_")+"."+ contentType.substring(contentType.lastIndexOf("/")+1); } } /** * 保存网页字节数组到本地文件 filePath 为要保存的文件的相对地址 */ private void saveToLocal(byte[] data, String filePath) { try { DataOutputStream out = new DataOutputStream(new FileOutputStream( new File(filePath))); for (int i = 0; i < data.length; i++) out.write(data[i]); out.flush(); out.close(); } catch (IOException e) { e.printStackTrace(); } } /* 下载 url 指向的网页 */ public String downloadFile(String url) { String filePath = null; /* 1.生成 HttpClinet 对象并设置参数 */ HttpClient httpClient = new HttpClient(); // 设置 Http 连接超时 5s httpClient.getHttpConnectionManager().getParams().setConnectionTimeout( 5000); /* 2.生成 GetMethod 对象并设置参数 */ GetMethod getMethod = new GetMethod(url); // 设置 get 请求超时 5s getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000); // 设置请求重试处理 getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER, new DefaultHttpMethodRetryHandler()); /* 3.执行 HTTP GET 请求 */ try { int statusCode = httpClient.executeMethod(getMethod); // 判断访问的状态码 if (statusCode != HttpStatus.SC_OK) { System.err.println("Method failed: " + getMethod.getStatusLine()); filePath = null; } /* 4.处理 HTTP 响应内容 */ byte[] responseBody = getMethod.getResponseBody();// 读取为字节数组 // 根据网页 url 生成保存时的文件名 filePath = "temp\\" + getFileNameByUrl(url, getMethod.getResponseHeader( "Content-Type").getValue()); saveToLocal(responseBody, filePath); } catch (HttpException e) { // 发生致命的异常,可能是协议不对或者返回的内容有问题 System.out.println("Please check your provided http address!"); e.printStackTrace(); } catch (IOException e) { // 发生网络异常 e.printStackTrace(); } finally { // 释放连接 getMethod.releaseConnection(); } return filePath; }}
4.从获得的网页中提取 URL—HtmlParserTool:
package com.peng.download;import java.util.HashSet;import java.util.Set;import org.htmlparser.Node;import org.htmlparser.NodeFilter;import org.htmlparser.Parser;import org.htmlparser.filters.NodeClassFilter;import org.htmlparser.filters.OrFilter;import org.htmlparser.tags.LinkTag;import org.htmlparser.util.NodeList;import org.htmlparser.util.ParserException;public class HtmlParserTool { // 获取一个网站上的链接,filter 用来过滤链接 public static Set<String> extracLinks(String url, LinkFilter filter) { Set<String> links = new HashSet<String>(); try { Parser parser = new Parser(url); parser.setEncoding("gb2312"); // 过滤 <frame >标签的 filter,用来提取 frame 标签里的 src 属性所表示的链接 NodeFilter frameFilter = new NodeFilter() { public boolean accept(Node node) { if (node.getText().startsWith("frame src=")) { return true; } else { return false; } } }; // OrFilter 来设置过滤 <a> 标签,和 <frame> 标签 OrFilter linkFilter = new OrFilter(new NodeClassFilter( LinkTag.class), frameFilter); // 得到所有经过过滤的标签 NodeList list = parser.extractAllNodesThatMatch(linkFilter); for (int i = 0; i < list.size(); i++) { Node tag = list.elementAt(i); if (tag instanceof LinkTag)// <a> 标签 { LinkTag link = (LinkTag) tag; String linkUrl = link.getLink();// url if (filter.accept(linkUrl)) links.add(linkUrl); } else// <frame> 标签 { // 提取 frame 里 src 属性的链接如 <frame src="test.html"/> String frame = tag.getText(); int start = frame.indexOf("src="); frame = frame.substring(start); int end = frame.indexOf(" "); if (end == -1) end = frame.indexOf(">"); String frameUrl = frame.substring(5, end - 1); if (filter.accept(frameUrl)) links.add(frameUrl); } } } catch (ParserException e) { e.printStackTrace(); } return links; }}
5.主程序
package com.peng.download;import java.util.Set;import com.peng.queue.LinkQueue;public class MyCrawler { //使用种子初始化URL队列 private void initCrawlerWithSeeds(String[] seeds){ for(int i=0;i<seeds.length;i++) LinkQueue.addUnvisitedUrl(seeds[i]); } //抓取过程 public void crawling(String[] seeds){ //定义过滤器,提取以http://www.lietuw.com开头的链接 LinkFilter filter=new LinkFilter() { @Override public boolean accept(String url) { if(url.startsWith("http://www.baidu.com")) return true; else return false; } }; //初始化URL队列 initCrawlerWithSeeds(seeds); //循环条件:待抓取的链接不空且抓取的网页不多于1000 int i=0; while(!LinkQueue.unVisitedUrlsEmpty()&&LinkQueue.getVisitedUrlNum()<=1000){ System.out.println(); System.out.println("执行了"+i+"次"); i++; //队头URL出队列 String visitUrl=(String) LinkQueue.unVisitedUrlDeQueue(); if(visitUrl==null) continue; DownLoadFile downLoadFile=new DownLoadFile(); //下载网页 downLoadFile.downloadFile(visitUrl); //该URL放入已访问的URL中 LinkQueue.addUnvisitedUrl(visitUrl); //提取出下载网页中的URL Set<String> links=HtmlParserTool.extracLinks(visitUrl, filter); //新的未访问的URL队列 for(String link:links){ LinkQueue.addUnvisitedUrl(link); } } } public static void main(String[] args) { MyCrawler myCrawler=new MyCrawler(); myCrawler.crawling(new String[]{"http://www.baidu.com"}); }}
6.上面的主程序使用了一个 LinkFilter 接口,并且实现为一个内部类。这个接口的目的是为了过滤提取出来的 URL,它使得程序中提取出来的 URL 只会和猎兔网站相关。而不会提 取其他无关的网站
package com.peng.download;public interface LinkFilter { public boolean accept(String url);}
0 0
- 爬虫宽度优先遍历
- 基于宽度优先爬虫
- 宽度优先爬虫
- 宽度优先爬虫
- Java宽度优先爬虫例子
- Java爬虫之宽度优先爬虫
- 一个简单的宽度优先网络爬虫
- c#宽度优先的网络爬虫
- 宽度优先爬虫和带偏好的爬虫
- 宽度优先爬虫和带偏好的爬虫
- java爬虫学习日记2-宽度优先爬虫代码实现
- 网络爬虫中用到的宽度优先遍历算法
- 《自己动手写网络爬虫》笔记3-宽度优先遍历互联网
- 网络爬虫(三)------宽度优先爬虫(一个的基础,简单但是很重要哦)
- 宽度优先爬虫和带偏好的爬虫的简单实现
- 网络爬虫(四)-----宽度优先遍历互联网(实现思想)
- 跟我一步一步学爬虫---宽度优先遍历篇(四)
- 宽度优先搜索 BFS
- mybatis的一级缓存
- 各种筛
- Easy-25
- 在http协议中传输二进制的数据--base64实现
- oracle插入或者查询date型字段
- 宽度优先爬虫
- jQuery 获得/控制 元素的大小
- hdu1180-bfs
- windows7系统vs2008 嵌套winform程序到wince 5.0手持终端解决方案
- MatlabRobotic Toolbox工具箱学习笔记(一)
- 数据结构之二叉树的简单操作
- 计算机图形学里面的实时概念是什么?
- oj3128——递归之放苹果
- The type java.lang.CharSequence cannot be resolved. It is indirectly referenced from required .class