【搜索引擎Jediael开发笔记】v0.1完整代码

详细代码请见

E:\Project\【重要】归档代码\SearchEngine归档代码

或

https://code.csdn.net/jediael_lu/jediael/tree/10991c839c51d32f825708b09451b2618a20ee94

或

http://download.csdn.net/detail/jediael_lu/7402827

本版本完成以下功能：

（1）创建用于保存种子URL的配置文件及其数据结构

（2）创建用于保存Todo信息（未下载URL）的数据结构

（3）创建用于保存Visited信息（已下载的URL）的数据结构

（4）下载网页时同步更新Tode与Visited。下载网页前，判断某个网页是否已经下载过。

（5）从上述第3步下载的网页抽取链接并继续下载，直到Todo列表为空。

（6）为每个种子url创建一个独立的线程。

至此，搜索引擎已具体基本功能。

下一阶段工作：

（1）引入dao，使用数据库保存一些信息，如种子url等？

（2）使用Berkey DB保存Frontier？使用布隆过滤器保存已访问的url。

（3）继续学习后面内容，引入其它内容。如访问blog.csdn.net时，返回403。

1、创建用于保存种子url的数据结构

由于一般而言，种子url的数据量均小，因此先使用PriorityQueue，以图方便，今后视应用情况修改成其它数据结构。

package org.ljh.search.frontier;import java.util.PriorityQueue;public class SeekUrlQueue {//保存种子url的队列。由于一般而言，种子url的数据量均小，因此先使用PriorityQueue，以图方便，今后视应用情况修改成其它数据结构。private PriorityQueue<String> seekUrlQueue = new PriorityQueue<String>();//Getterpublic PriorityQueue<String> getSeekUrlQueue() {return seekUrlQueue;}//将url添加至种子url队列中public boolean add(String url){return seekUrlQueue.add(url);}//判断种子url队列是否为空public boolean isEmpty(){return seekUrlQueue.isEmpty();}//从种子url队列中获取下一个种子urlpublic String getNext(){return seekUrlQueue.poll();}}

2、创建用于保存已访问url的数据结构

（1）先创建一个接口，用于提供最基本功能

package org.ljh.search.frontier;public interface VisitedUrlQueue {//判断某个Url是否已经存在于已访问队列中public  boolean contains(String url);//将已下载的url放入已访问的列表public boolean add(String url);}

（2）创建具体的实施类

package org.ljh.search.frontier;import java.util.HashSet;public class HashSetVisitedUrlQueue implements VisitedUrlQueue{//用于保存已访问的Url的数据结构。由于已访问列表会被经常查询，因此，使用HashSet。由于只要其中任何一个线程下载过，此url即算做已经下载，因此使用了static。private static HashSet<String> visitedUrlQueue = new HashSet<String>();public HashSet<String> getVisitedUrlQueue() {return visitedUrlQueue;}@Overridepublic boolean contains(String url) {return visitedUrlQueue.contains(url);}@Overridepublic boolean add(String url) {visitedUrlQueue.add(url);return true;}}

3、创建待访问的url列表的数据结构

（1）先创建接口

package org.ljh.search.frontier;public interface Frontier {//获取下一个待访问的urlpublic String getNextUrl();//将从其它网页中提取出来的url放到待访问url中。public boolean putUrlIntoTodoQueue(String url);}

（2）创建具体实现类

package org.ljh.search.frontier;import java.util.PriorityQueue;public class PriorityQueueFrontier implements Frontier {//保存待访问的url的列表。考虑到先入先出及可在一定程度上控制访问顺序，即带偏好的宽度优先搜索策略，使用了PriorityQueue。private PriorityQueue<String> todoUrlQueue = new PriorityQueue<String>();@Overridepublic String getNextUrl() {return todoUrlQueue.poll();}@Overridepublic boolean add(String url) {todoUrlQueue.add(url);return true;}@Overridepublic boolean isEmpty(){return todoUrlQueue.isEmpty();}}

4、修改主类

（1）下载网页前，判断某个网页是否已经下载过。

（2）分析刚下载的网页，提取链接，继续放入frontier。

（3）为每个种子url创建一个独立的线程。

package org.ljh.search;import java.io.IOException;import java.util.Iterator;import java.util.Set;import org.ljh.search.downloadpage.PageDownloader;import org.ljh.search.frontier.HashSetVisitedUrlQueue;import org.ljh.search.frontier.PriorityQueueFrontier;import org.ljh.search.frontier.SeekUrlQueue;import org.ljh.search.html.HtmlParserTool;import org.ljh.search.html.LinkFilter;public class MyCrawler {public static void main(String[] args) {// 种子urlfinal SeekUrlQueue seekUrlQueue = new SeekUrlQueue();seekUrlQueue.add("http://www.sohu.com");seekUrlQueue.add("http://www.baidu.com");seekUrlQueue.add("http://www.eoeandroid.com/");// 已访问过的urlfinal HashSetVisitedUrlQueue visitedUrl = new HashSetVisitedUrlQueue();// 设定过滤器，用于指明搜索范围final LinkFilter linkFilter = new LinkFilter() {@Overridepublic boolean accept(String url) {if ((url.contains("baidu") || url.contains("sohu")||url.contains("eoe"))&& !url.contains("baike") && !url.contains("@")) {return true;} else {return false;}}};while (!seekUrlQueue.isEmpty()) {// 根据种子url对frontier进行初始化final String nextSeek = seekUrlQueue.getNext();System.out.println(nextSeek);//为每一个种子url，启动一个线程Thread t = new Thread(new Runnable() {@Overridepublic void run() {// 待访问 的urlPriorityQueueFrontier frontier = new PriorityQueueFrontier();frontier.add(nextSeek);//直到frontier为空，才会结束下载while (!frontier.isEmpty()) {//获取下一个待访问的url，然后判断是否已经访问过，若否，则下载，并将其添加到已访问列表。String nextUrl = frontier.getNextUrl();if (!visitedUrl.contains(nextUrl)) {try {PageDownloader.downloadPageByGetMethod(nextUrl);} catch (IOException e) {e.printStackTrace();}visitedUrl.add(nextUrl);//从刚下载的页面中提取链接，并将其放入frointier.正常而言，应该使用刚下载到本地的文件作参数，但此处还是使用了url，会导致再一次连接网络。Set<String> urlSet = HtmlParserTool.extractLinks(nextUrl, linkFilter);Iterator<String> iterator = urlSet.iterator();while (iterator.hasNext()) {frontier.add(iterator.next());}}}}});t.start();}}}