前言：寫這篇文章之前，主要是我看了幾篇類似的爬蟲寫法，有的是用的隊列來寫，感覺不是很直觀，還有的只有一個請求然后進行頁面解析，根本就沒有自動爬起來這也叫爬蟲？因此我結合自己的思路寫了一下簡單的爬蟲。
一 算法簡介
程序在思路上采用了廣度優先算法，對未遍歷過的鏈接逐次發起GET請求，然后對返回來的頁面用正則表達式進行解析，取出其中未被發現的新鏈接，加入集合中，待下一次循環時遍歷。
具體實現上使用了Map<String, Boolean>，鍵值對分別是鏈接和是否被遍歷標志。程序中使用了兩個Map集合，分別是：oldMap和newMap，初始的鏈接在oldMap中，然后對oldMap里面的標志為false的鏈接發起請求，解析頁面，用正則取出<a>標簽下的鏈接，如果這個鏈接未在oldMap和newMap中，則說明這是一條新的鏈接，同時要是這條鏈接是我們需要獲取的目標網站的鏈接的話，我們就將這條鏈接放入newMap中，一直解析下去，等這個頁面解析完成，把oldMap中當前頁面的那條鏈接的值設為true，表示已經遍歷過了。
最后是當整個oldMap未遍歷過的鏈接都遍歷結束后，如果發現newMap不為空，則說明這一次循環有新的鏈接產生，因此將這些新的鏈接加入oldMap中，繼續遞歸遍歷，反之則說明這次循環沒有產生新的鏈接，繼續循環下去已經不能產生新鏈接了，因為任務結束，返回鏈接集合oldMap
二 程序實現
上面相關思路已經說得很清楚了，并且代碼中關鍵地方有注釋，因此這里就不多說了，代碼如下：
|
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
|
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>(); // 存儲鏈接-是否被遍歷 // 鍵值對 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("鏈接：" + mapping.getKey()); } } /** * 抓取一個網站所有可以抓取的網頁鏈接，在思路上使用了廣度優先算法 * 對未遍歷過的新鏈接不斷發起GET請求，一直到遍歷完整個集合都沒能發現新的鏈接 * 則表示不能發現新的鏈接了，任務結束 * * @param oldLinkHost 域名，如：http://www.zifangsky.cn * @param oldMap 待遍歷的鏈接集合 * * @return 返回所有抓取到的鏈接集合 * */ 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()); // 如果沒有被遍歷過 if (!mapping.getValue()) { oldLink = mapping.getKey(); // 發起GET請求 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(); // 鏈接 // String id="codetool">
三 最后的測試效果
PS：其實用遞歸這種方式不是太好，因為要是網站頁面比較多的話，程序運行時間長了對內存的消耗會非常大 感謝閱讀，希望能幫助到大家，謝謝大家對本站的支持！ 延伸 · 閱讀
精彩推薦
最近更新 編輯推薦
閱讀排行
|
