一 算法简介
程序在思路上采用了广度优先算法，对未遍历过的链接逐次发起GET请求，然后对返回来的页面用正则表达式进行解析，取出其中未被发现的新链接，加入集合中，待下一次循环时遍历。
具体实现上使用了Map<String, Boolean>，键值对分别是链接和是否被遍历标志。程序中使用了两个Map集合，分别是：oldMap和newMap，初始的链接在oldMap中，然后对oldMap里面的标志为false的链接发起请求，解析页面，用正则取出<a>标签下的链接，如果这个链接未在oldMap和newMap中，则说明这是一条新的链接，同时要是这条链接是我们需要获取的目标网站的链接的话，我们就将这条链接放入newMap中，一直解析下去，等这个页面解析完成，把oldMap中当前页面的那条链接的值设为true，表示已经遍历过了。最后是当整个oldMap未遍历过的链接都遍历结束后，如果发现newMap不为空，则说明这一次循环有新的链接产生，因此将这些新的链接加入oldMap中，继续递归遍历，反之则说明这次循环没有产生新的链接，继续循环下去已经不能产生新链接了，因为任务结束，返回链接集合oldMap
二 程序实现
上面相关思路已经说得很清楚了，并且代码中关键地方有注释，因此这里就不多说了，代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
|
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<String, Boolean> oldMap =
new
LinkedHashMap<String, Boolean>();
// 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<String, Boolean> 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<String, Boolean> crawlLinks(String oldLinkHost,
Map<String, Boolean> oldMap) {
Map<String, Boolean> newMap =
new
LinkedHashMap<String, Boolean>();
String oldLink =
""
;
for
(Map.Entry<String, Boolean> 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.*?href=[\"']?((https?://)?/?[^\"']+)[\"']?.*?>(.+)</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 最后的测试效果
PS：其实用递归这种方式不是太好，因为要是网站页面比较多的话，程序运行时间长了对内存的消耗会非常大，不过因为我的博客网站页面不是很多，因此效果还可以
本文转自 pangfc 51CTO博客，原文链接：http://blog.51cto.com/983836259/1729513，如需转载请自行联系原作者
