真实的国产乱ⅩXXX66竹夫人,五月香六月婷婷激情综合,亚洲日本VA一区二区三区,亚洲精品一区二区三区麻豆

成都創(chuàng)新互聯(lián)網(wǎng)站制作重慶分公司

Java爬取網(wǎng)站源代碼和鏈接代碼實例

1. 網(wǎng)絡爬蟲是一個自動提取網(wǎng)頁的程序,它為搜索引擎從萬維網(wǎng)上下載網(wǎng)頁,是搜索引擎的重要組成。傳統(tǒng)爬蟲從一個或若干初始網(wǎng)頁的URL開始,獲得初始網(wǎng)頁上的URL,在抓取網(wǎng)頁的過程中,不斷從當前頁面上抽取新的URL放入隊列,直到滿足系統(tǒng)的一定停止條件。

成都創(chuàng)新互聯(lián)公司是一家專注于成都做網(wǎng)站、成都網(wǎng)站制作、成都外貿(mào)網(wǎng)站建設與策劃設計,昌江網(wǎng)站建設哪家好?成都創(chuàng)新互聯(lián)公司做網(wǎng)站,專注于網(wǎng)站建設10年,網(wǎng)設計領域的專業(yè)建站公司;建站業(yè)務涵蓋:昌江等地區(qū)。昌江做網(wǎng)站價格咨詢:028-86922220

所以主要使用遞歸遍歷完成對每個網(wǎng)頁內(nèi)鏈接的獲取和源碼的獲取,然后剔除重復鏈接

數(shù)據(jù)爬取后主要使用txt文件儲存,根據(jù)網(wǎng)址的路徑生成想應文件路徑

2.代碼

package com.test;

import java.io.*;
import java.net.URL;
import java.net.URLConnection;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
 
/**
 * java實現(xiàn)爬蟲
 */
public class SpiderDemo1 {
 
  //網(wǎng)站主網(wǎng)頁鏈接
  private final static String theURL = "http://www.jyyishu.cn";
  //今日日期,用于標記日志
  private final static String theTIME = new SimpleDateFormat("yyyy-MM-dd").format(new Date());
  //網(wǎng)頁鏈接文件路徑
  private final static String theFILE = "L:/html/jy1/" + theTIME + "/URL.txt";
  //網(wǎng)頁源碼路徑
  private final static String thePATH = "L:/html/jy1/" + theTIME + "/code";
  //正則表達式,用于判斷是否是一個網(wǎng)址
  private final static String theREGEX= "(http|https)://[\\w+\\.?/?]+\\.[A-Za-z]+";
 
  /**
   * 啟動類
   * @param args
   */
  public static void main(String[] args) {
    found();
    System.out.println("網(wǎng)站爬取完成");
  }
 
 
  public static void found() {
    PrintWriter pw = null;
    try{
      //創(chuàng)建文件目錄
      File fileDir = new File(thePATH);
      if (!fileDir.exists()) {
        fileDir.mkdirs();
      }
 
      //創(chuàng)建網(wǎng)站網(wǎng)頁鏈接文件
      pw = new PrintWriter(new FileWriter(theFILE),true);
 
      //使用遞歸遍歷網(wǎng)站的每個網(wǎng)頁
      spiderURL(theURL, pw);
    } catch (IOException e) {
      e.printStackTrace();
    } finally {
      try {
        if(pw != null) {
          pw.close();
        }
      } catch(Exception e) {
        e.printStackTrace();
      }
    }
  }
 
 
  /**
   * 爬取該網(wǎng)頁源碼和網(wǎng)頁內(nèi)連接
   * @param url 該網(wǎng)頁網(wǎng)址
   * @param tpw 對網(wǎng)站網(wǎng)頁網(wǎng)址文件連接的io流
   */
  public static void spiderURL(String url, PrintWriter tpw){
    URL realURL=null;
    URLConnection connection=null;
    BufferedReader br=null;
    PrintWriter pw=null;
    PrintWriter pw1=null;
 
    Pattern pattern=Pattern.compile(theREGEX);
    try{
      realURL=new URL(url);
      connection=realURL.openConnection();
 
      //生成文件夾
      String src = thePATH + url.substring(theURL.length());
      File fileDir = new File(src);
      if (!fileDir.exists()) {
        fileDir.mkdirs();
      }
 
      //生成源代碼文件
      pw = new PrintWriter(new FileWriter(src + "/Test.txt"),true);
      pw1 = tpw;
 
      //爬取網(wǎng)頁文件
      br=new BufferedReader(new InputStreamReader(connection.getInputStream()));
      String line=null;
      while((line=br.readLine())!=null){
        //把爬取的源碼寫入文件
        pw.println(line);
        System.out.println("爬取網(wǎng)頁" + url + "成功");
        Matcher matcher=pattern.matcher(line);
        //判斷是否是一個網(wǎng)址
        while(matcher.find()){
          //判斷網(wǎng)址是否以網(wǎng)站主網(wǎng)址為前綴,防止爬到其他網(wǎng)站,并判斷是否和原先網(wǎng)址重復
          if(matcher.group().startsWith(theURL) && examine(matcher.group())) {
            //把爬取的網(wǎng)址寫入文件
            pw1.println(matcher.group());
            spiderURL(matcher.group(), pw1);
          }
        }
        System.out.println("網(wǎng)頁" + url + "內(nèi)鏈接爬取完成");
      }
  }catch(Exception e){
    e.printStackTrace();
  }finally {
      try {
        if(br != null) {
          br.close();
        }
        if(pw != null) {
          pw.close();
        }
      } catch (IOException e) {
        e.printStackTrace();
      }
    }
  }
 
 
  /**
   * 判斷是否和以儲存網(wǎng)址相同
   * @param str 需判斷的網(wǎng)址
   * @return 是否重復
   */
  public static boolean examine(String str) {
    BufferedReader br = null;
    String str1;
    try {
      br = new BufferedReader(new FileReader(theFILE));
 
//      //針對該網(wǎng)站無用網(wǎng)頁的屏蔽
//      if(str.startsWith("http://www.jyyishu.cn/artnews/")) {
//        return false;
//      }
      
      //循環(huán)文件中每一行的網(wǎng)址,判斷是否重復,重復則退出
      while((str1 = br.readLine()) != null) {
        if(str.equals(str1)) {
          return false;
        }
      }
    } catch (IOException e) {
      e.printStackTrace();
    } finally {
      try{
        if(br != null) {
          br.close();
        }
      } catch (IOException e) {
        e.printStackTrace();
      }
    }
    return true;
  }
}

2. 爬取后的數(shù)據(jù)

部分鏈接:

Java爬取網(wǎng)站源代碼和鏈接代碼實例

網(wǎng)頁數(shù)據(jù):

Java爬取網(wǎng)站源代碼和鏈接代碼實例

Java爬取網(wǎng)站源代碼和鏈接代碼實例

以上就是本文的全部內(nèi)容,希望對大家的學習有所幫助,也希望大家多多支持創(chuàng)新互聯(lián)。


網(wǎng)站名稱:Java爬取網(wǎng)站源代碼和鏈接代碼實例
標題URL:http://weahome.cn/article/jegjse.html

其他資訊

在線咨詢

微信咨詢

電話咨詢

028-86922220(工作日)

18980820575(7×24)

提交需求

返回頂部