java搜索引擎爬虫,抓取url示例
发布时间:2020-12-15 00:14:49 所属栏目:Java 来源:网络整理
导读:今天PHP站长网 52php.cn把收集自互联网的代码分享给大家,仅供参考。 import java.io.IOException;import java.util.LinkedList;import java.util.List;import java.util.Queue;import java.util.regex.Matcher;import ja
以下代码由PHP站长网 52php.cn收集自互联网 现在PHP站长网小编把它分享给大家,仅供参考 import java.io.IOException; import java.util.LinkedList; import java.util.List; import java.util.Queue; import java.util.regex.Matcher; import java.util.regex.Pattern; import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.nodes.Element; import org.jsoup.select.Elements; public class Robot { // robot url private List<String> urlList; // cache url private Queue<String> urlQueue; // define Host public final static String HOST = "debugs.tk"; // constructor public Robot() { super(); // initialization robot's member setUrlList(new LinkedList<String>()); setUrlQueue(new LinkedList<String>()); } // url public List<String> getUrlList() { return urlList; } public void setUrlList(List<String> urlList) { this.urlList = urlList; } // cache public Queue<String> getUrlQueue() { return urlQueue; } public void setUrlQueue(Queue<String> urlQueue) { this.urlQueue = urlQueue; } // Legal link private boolean isURL(String url) { try { // judge url Pattern pattern = Pattern.compile("^[a-zA-z]+://[^s]*"); Matcher matcher = pattern.matcher(url); if (matcher.matches()) { return true; } else { return false; } } catch (Exception e) { e.printStackTrace(); return false; } } // whether the url is belong to host public static boolean isHost(String url) { return url.contains(HOST); } // travel all url public void traverse(String seed) { for (this.getUrlQueue().add(seed); !this.getUrlQueue().isEmpty();) { boolean flag = true; Document document = null; try { document = Jsoup.connect(seed).timeout(5000).get(); } catch (IOException e) { e.printStackTrace(); // whether connect success flag = false; } // whether connect success,then select a tag // add these aTag into queue if (flag) { // get url Elements elements = document.select("a[href]"); for (Element e : elements) { String s = e.attr("abs:href"); // Legal link and belong host // and url not in list // then add it if (isURL(s) && s.contains(HOST) && (!getUrlQueue().contains(s)) && (!getUrlList().contains(s))) { this.getUrlQueue().add(s); } } } // get head of queue // and set it seed // travel seed it again seed = this.getUrlQueue().poll(); this.getUrlList().add(seed); // show information // System.out.println("SIZE:" // + this.getUrlQueue().size() + "---" // + seed + " connect!"); } } } 以上内容由PHP站长网【52php.cn】收集整理供大家参考研究 如果以上内容对您有帮助,欢迎收藏、点赞、推荐、分享。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |