Java写的爬虫的基本程序

Java写的爬虫的基本程序

这是一个web搜索的基本程序，从命令行输入搜索条件（起始的URL、处理url的最大数、要搜索的字符串),
它就会逐个对Internet上的URL进行实时搜索,查找并输出匹配搜索条件的页面。 这个程序的原型来自《java编程艺术》，
为了更好的分析，站长去掉了其中的GUI部分，并稍作修改以适用jdk1.5。以这个程序为基础，可以写出在互联网上搜索
诸如图像、邮件、网页下载之类的“爬虫”。
先请看程序运行的过程：


D:/java>javac  SearchCrawler.java（编译）

D:/java>java   SearchCrawler http://127.0.0.1:8080/zz3zcwbwebhome/index.jsp 20 java

Start searching...
result:
searchString=java
http://127.0.0.1:8080/zz3zcwbwebhome/index.jsp
http://127.0.0.1:8080/zz3zcwbwebhome/reply.jsp
http://127.0.0.1:8080/zz3zcwbwebhome/learn.jsp
http://127.0.0.1:8080/zz3zcwbwebhome/download.jsp
http://127.0.0.1:8080/zz3zcwbwebhome/article.jsp
http://127.0.0.1:8080/zz3zcwbwebhome/myexample/jlGUIOverview.htm
http://127.0.0.1:8080/zz3zcwbwebhome/myexample/Proxooldoc/index.html
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=301
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=297
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=291
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=286
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=285
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=284
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=276
http://127.0.0.1:8080/zz3zcwbwebhome/view.jsp?id=272  

又如：
D:/java>java    SearchCrawler http://www.sina.com  20 java
Start searching...
result:
searchString=java
http://sina.com
http://redirect.sina.com/WWW/sinaCN/www.sina.com.cn class=a2
http://redirect.sina.com/WWW/sinaCN/www.sina.com.cn class=a8
http://redirect.sina.com/WWW/sinaHK/www.sina.com.hk class=a2
http://redirect.sina.com/WWW/sinaTW/www.sina.com.tw class=a8
http://redirect.sina.com/WWW/sinaUS/home.sina.com class=a8
http://redirect.sina.com/WWW/smsCN/sms.sina.com.cn/ class=a2
http://redirect.sina.com/WWW/smsCN/sms.sina.com.cn/ class=a3
http://redirect.sina.com/WWW/sinaNet/www.sina.net/ class=a3


D:/java>
下面是这个程序的源码

import java.util.*;
import java.net.*;
import java.io.*;
import java.util.regex.*;

// 搜索Web爬行者
public class SearchCrawler implements Runnable{

/* disallowListCache缓存robot不允许搜索的URL。 Robot协议在Web站点的根目录下设置一个robots.txt文件,
  *规定站点上的哪些页面是限制搜索的。 搜索程序应该在搜索过程中跳过这些区域,下面是robots.txt的一个例子:
 # robots.txt for http://somehost.com/
   User-agent: *
   Disallow: /cgi-bin/
   Disallow: /registration # /Disallow robots on registration page
   Disallow: /login
  */


  private HashMap< String,ArrayList< String>> disallowListCache = new HashMap< String,ArrayList< String>>();
  ArrayList< String> errorList= new ArrayList< String>();//错误信息
  ArrayList< String> result=new ArrayList< String>(); //搜索到的结果
  String startUrl;//开始搜索的起点
  int maxUrl;//最大处理的url数
  String searchString;//要搜索的字符串(英文)
  boolean caseSensitive=false;//是否区分大小写
  boolean limitHost=false;//是否在限制的主机内搜索

  public SearchCrawler(String startUrl,int maxUrl,String searchString){
   this.startUrl=startUrl;
   this.maxUrl=maxUrl;
   this.searchString=searchString;
  }

   public ArrayList< String> getResult(){
       return result;
   }

  public void run(){//启动搜索线程

       crawl(startUrl,maxUrl, searchString,limitHost,caseSensitive);
  }


    //检测URL格式
  private URL verifyUrl(String url) {
    // 只处理HTTP URLs.
    if (!url.toLowerCase().startsWith("http://"))
      return null;

    URL verifiedUrl = null;
    try {
      verifiedUrl = new URL(url);
    } catch (Exception e) {
      return null;
    }

    return verifiedUrl;
  }

  // 检测robot是否允许访问给出的URL.
 private boolean isRobotAllowed(URL urlToCheck) {
    String host = urlToCheck.getHost().toLowerCase();//获取给出RUL的主机
    //System.out.println("主机="+host);

    // 获取主机不允许搜索的URL缓存
    ArrayList< String> disallowList =disallowListCache.get(host);

    // 如果还没有缓存,下载并缓存。
    if (disallowList == null) {
      disallowList = new ArrayList< String>();
      try {
        URL robotsFileUrl =new URL("http://" + host + "/robots.txt");
        BufferedReader reader =new BufferedReader(new InputStreamReader(robotsFileUrl.openStream()));

        // 读robot文件，创建不允许访问的路径列表。
        String line;
        while ((line = reader.readLine()) != null) {
          if (line.indexOf("Disallow:") == 0) {//是否包含"Disallow:"
            String disallowPath =line.substring("Disallow:".length());//获取不允许访问路径

            // 检查是否有注释。
            int commentIndex = disallowPath.indexOf("#");
            if (commentIndex != - 1) {
              disallowPath =disallowPath.substring(0, commentIndex);//去掉注释
            }

            disallowPath = disallowPath.trim();
            disallowList.add(disallowPath);
           }
         }

        // 缓存此主机不允许访问的路径。
        disallowListCache.put(host, disallowList);
      } catch (Exception e) {
              return true; //web站点根目录下没有robots.txt文件,返回真
      }
    }


    String file = urlToCheck.getFile();
    //System.out.println("文件getFile()="+file);
    for (int i = 0; i < disallowList.size(); i++) {
      String disallow = disallowList.get(i);
      if (file.startsWith(disallow)) {
        return false;
      }
    }

    return true;
  }




  private String downloadPage(URL pageUrl) {
     try {
        // Open connection to URL for reading.
        BufferedReader reader =
          new BufferedReader(new InputStreamReader(pageUrl.openStream()));

        // Read page into buffer.
        String line;
        StringBuffer pageBuffer = new StringBuffer();
        while ((line = reader.readLine()) != null) {
          pageBuffer.append(line);
        }

        return pageBuffer.toString();
     } catch (Exception e) {
     }

     return null;
  }

  // 从URL中去掉"www"
  private String removeWwwFromUrl(String url) {
    int index = url.indexOf("://www.");
    if (index != -1) {
      return url.substring(0, index + 3) +
        url.substring(index + 7);
    }

    return (url);
  }

  // 解析页面并找出链接
  private ArrayList< String> retrieveLinks(URL pageUrl, String pageContents, HashSet crawledList,
    boolean limitHost)
  {
    // 用正则表达式编译链接的匹配模式。
    Pattern p =Pattern.compile("]",Pattern.CASE_INSENSITIVE);