Go语言视频零基础入门到精通

javalearner

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

1. import java.util.*;
   
2. import java.net.*;
   
3. import java.io.*;
   
4. import java.util.regex.*;
   
5. // 搜索Web爬行者
   
6. public class SearchCrawler implements Runnable{
   
7. 
   
8. /* 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,
   
9.   *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:
   
10. # robots.txt for http://somehost.com/
    
11.    User-agent: *
    
12.    Disallow: /cgi-bin/
    
13.    Disallow: /registration # /Disallow robots on registration page
    
14.    Disallow: /login
    
15.   */
    
16.   private HashMap< String,ArrayList< String>> disallowListCache = new HashMap< String,ArrayList< String>>();
    
17.   ArrayList< String> errorList= new ArrayList< String>();//错误信息
    
18.   ArrayList< String> result=new ArrayList< String>(); //搜索到的结果
    
19.   String startUrl;//开始搜索的起点
    
20.   int maxUrl;//最大处理的url数
    
21.   String searchString;//要搜索的字符串(英文)
    
22.   boolean caseSensitive=false;//是否区分大小写
    
23.   boolean limitHost=false;//是否在限制的主机内搜索
    
24.   
    
25.   public SearchCrawler(String startUrl,int maxUrl,String searchString){
    
26.    this.startUrl=startUrl;
    
27.    this.maxUrl=maxUrl;
    
28.    this.searchString=searchString;
    
29.   }
    
30.    public ArrayList< String> getResult(){
    
31.        return result;
    
32.    }
    
33.   public void run(){//启动搜索线程
    
34.       
    
35.        crawl(startUrl,maxUrl, searchString,limitHost,caseSensitive);
    
36.   }
    
37.    
    
38.     //检测URL格式
    
39.   private URL verifyUrl(String url) {
    
40.     // 只处理HTTP URLs.
    
41.     if (!url.toLowerCase().startsWith("http://"))
    
42.       return null;
    
43.     URL verifiedUrl = null;
    
44.     try {
    
45.       verifiedUrl = new URL(url);
    
46.     } catch (Exception e) {
    
47.       return null;
    
48.     }
    
49.     return verifiedUrl;
    
50.   }
    
51.   // 检测robot是否允许访问给出的URL.
    
52. private boolean isRobotAllowed(URL urlToCheck) {
    
53.     String host = urlToCheck.getHost().toLowerCase();//获取给出RUL的主机
    
54.     //System.out.println("主机="+host);
    
55.     // 获取主机不允许搜索的URL缓存
    
56.     ArrayList< String> disallowList =disallowListCache.get(host);
    
57.     // 如果还没有缓存,下载并缓存。
    
58.     if (disallowList == null) {
    
59.       disallowList = new ArrayList< String>();
    
60.       try {
    
61.         URL robotsFileUrl =new URL("http://" + host + "/robots.txt");
    
62.         BufferedReader reader =new BufferedReader(new InputStreamReader(robotsFileUrl.openStream()));
    
63.         // 读robot文件，创建不允许访问的路径列表。
    
64.         String line;
    
65.         while ((line = reader.readLine()) != null) {
    
66.           if (line.indexOf("Disallow:") == 0) {//是否包含"Disallow:"
    
67.             String disallowPath =line.substring("Disallow:".length());//获取不允许访问路径
    
68.             // 检查是否有注释。
    
69.             int commentIndex = disallowPath.indexOf("#");
    
70.             if (commentIndex != - 1) {
    
71.               disallowPath =disallowPath.substring(0, commentIndex);//去掉注释
    
72.             }
    
73.             
    
74.             disallowPath = disallowPath.trim();
    
75.             disallowList.add(disallowPath);
    
76.            }
    
77.          }
    
78.         // 缓存此主机不允许访问的路径。
    
79.         disallowListCache.put(host, disallowList);
    
80.       } catch (Exception e) {
    
81.               return true; //web站点根目录下没有robots.txt文件,返回真
    
82.       }
    
83.     }
    
84.      
    
85.     String file = urlToCheck.getFile();
    
86.     //System.out.println("文件getFile()="+file);
    
87.     for (int i = 0; i < disallowList.size(); i++) {
    
88.       String disallow = disallowList.get(i);
    
89.       if (file.startsWith(disallow)) {
    
90.         return false;
    
91.       }
    
92.     }
    
93.     return true;
    
94.   }
    
95. 
    
96.   private String downloadPage(URL pageUrl) {
    
97.      try {
    
98.         // Open connection to URL for reading.
    
99.         BufferedReader reader =
    
100.           new BufferedReader(new InputStreamReader(pageUrl.openStream()));
     
101.         // Read page into buffer.
     
102.         String line;
     
103.         StringBuffer pageBuffer = new StringBuffer();
     
104.         while ((line = reader.readLine()) != null) {
     
105.           pageBuffer.append(line);
     
106.         }
     
107.         
     
108.         return pageBuffer.toString();
     
109.      } catch (Exception e) {
     
110.      }
     
111.      return null;
     
112.   }
     
113.   // 从URL中去掉"www"
     
114.   private String removeWwwFromUrl(String url) {
     
115.     int index = url.indexOf("://www.");
     
116.     if (index != -1) {
     
117.       return url.substring(0, index + 3) +
     
118.         url.substring(index + 7);
     
119.     }
     
120.     return (url);
     
121.   }
     
122.   // 解析页面并找出链接
     
123.   private ArrayList< String> retrieveLinks(URL pageUrl, String pageContents, HashSet crawledList,
     
124.     boolean limitHost)
     
125.   {
     
126.     // 用正则表达式编译链接的匹配模式。
     
127.     Pattern p =Pattern.compile("< a\s+href\s*=\s*"?(.*?)["|>]",Pattern.CASE_INSENSITIVE);
     
128.     Matcher m = p.matcher(pageContents);
     
129.    
     
130.     ArrayList< String> linkList = new ArrayList< String>();
     
131.     while (m.find()) {
     
132.       String link = m.group(1).trim();
     
133.       
     
134.       if (link.length() < 1) {
     
135.         continue;
     
136.       }
     
137.       // 跳过链到本页面内链接。
     
138.       if (link.charAt(0) == "#") {
     
139.         continue;
     
140.       }
     
141.       
     
142.       if (link.indexOf("mailto:") != -1) {
     
143.         continue;
     
144.       }
     
145.      
     
146.       if (link.toLowerCase().indexOf("javascript") != -1) {
     
147.         continue;
     
148.       }
     
149.       if (link.indexOf("://") == -1){
     
150.         if (link.charAt(0) == "/") {//处理绝对地  
     
151.           link = "http://" + pageUrl.getHost()+":"+pageUrl.getPort()+ link;
     
152.         } else {         
     
153.           String file = pageUrl.getFile();
     
154.           if (file.indexOf("/") == -1) {//处理相对地址
     
155.             link = "http://" + pageUrl.getHost()+":"+pageUrl.getPort() + "/" + link;
     
156.           } else {
     
157.             String path =file.substring(0, file.lastIndexOf("/") + 1);
     
158.             link = "http://" + pageUrl.getHost() +":"+pageUrl.getPort()+ path + link;
     
159.           }
     
160.         }
     
161.       }
     
162.       int index = link.indexOf("#");
     
163.       if (index != -1) {
     
164.         link = link.substring(0, index);
     
165.       }
     
166.       link = removeWwwFromUrl(link);
     
167.       URL verifiedLink = verifyUrl(link);
     
168.       if (verifiedLink == null) {
     
169.         continue;
     
170.       }
     
171.       /* 如果限定主机，排除那些不合条件的URL*/
     
172.       if (limitHost &&
     
173.           !pageUrl.getHost().toLowerCase().equals(
     
174.             verifiedLink.getHost().toLowerCase()))
     
175.       {
     
176.         continue;
     
177.       }
     
178.       // 跳过那些已经处理的链接.
     
179.       if (crawledList.contains(link)) {
     
180.         continue;
     
181.       }
     
182.        linkList.add(link);
     
183.     }
     
184.    return (linkList);
     
185.   }
     
186. // 搜索下载Web页面的内容，判断在该页面内有没有指定的搜索字符串
     
187.   private boolean searchStringMatches(String pageContents, String searchString, boolean caseSensitive){
     
188.        String searchContents = pageContents;
     
189.        if (!caseSensitive) {//如果不区分大小写
     
190.           searchContents = pageContents.toLowerCase();
     
191.        }
     
192.    
     
193.     Pattern p = Pattern.compile("[\s]+");
     
194.     String[] terms = p.split(searchString);
     
195.     for (int i = 0; i < terms.length; i++) {
     
196.       if (caseSensitive) {
     
197.         if (searchContents.indexOf(terms[i]) == -1) {
     
198.           return false;
     
199.         }
     
200.       } else {
     
201.         if (searchContents.indexOf(terms[i].toLowerCase()) == -1) {
     
202.           return false;
     
203.         }
     
204.       }     }
     
205.     return true;
     
206.   }
     
207.   
     
208.   //执行实际的搜索操作
     
209.   public ArrayList< String> crawl(String startUrl, int maxUrls, String searchString,boolean limithost,boolean caseSensitive )
     
210.   {
     
211.    
     
212.     System.out.println("searchString="+searchString);
     
213.     HashSet< String> crawledList = new HashSet< String>();
     
214.     LinkedHashSet< String> toCrawlList = new LinkedHashSet< String>();
     
215.      if (maxUrls < 1) {
     
216.         errorList.add("Invalid Max URLs value.");
     
217.         System.out.println("Invalid Max URLs value.");
     
218.       }
     
219.   
     
220.    
     
221.     if (searchString.length() < 1) {
     
222.       errorList.add("Missing Search String.");
     
223.       System.out.println("Missing search String");
     
224.     }
     
225.    
     
226.     if (errorList.size() > 0) {
     
227.       System.out.println("err!!!");
     
228.       return errorList;
     
229.       }
     
230.    
     
231.     // 从开始URL中移出www
     
232.     startUrl = removeWwwFromUrl(startUrl);
     
233.    
     
234.     toCrawlList.add(startUrl);
     
235.     while (toCrawlList.size() > 0) {
     
236.       
     
237.       if (maxUrls != -1) {
     
238.         if (crawledList.size() == maxUrls) {
     
239.           break;
     
240.         }
     
241.       }
     
242.       // Get URL at bottom of the list.
     
243.       String url =  toCrawlList.iterator().next();
     
244.       // Remove URL from the to crawl list.
     
245.       toCrawlList.remove(url);
     
246.       // Convert string url to URL object.
     
247.       URL verifiedUrl = verifyUrl(url);
     
248.       // Skip URL if robots are not allowed to access it.
     
249.       if (!isRobotAllowed(verifiedUrl)) {
     
250.         continue;
     
251.       }
     
252.    
     
253.       // 增加已处理的URL到crawledList
     
254.       crawledList.add(url);
     
255.       String pageContents = downloadPage(verifiedUrl);
     
256.       
     
257.       if (pageContents != null && pageContents.length() > 0){
     
258.         // 从页面中获取有效的链接
     
259.         ArrayList< String> links =retrieveLinks(verifiedUrl, pageContents, crawledList,limitHost);
     
260.      
     
261.         toCrawlList.addAll(links);
     
262.         if (searchStringMatches(pageContents, searchString,caseSensitive))
     
263.         {
     
264.           result.add(url);
     
265.           System.out.println(url);
     
266.         }
     
267.      }
     
268.    
     
269.     }
     
270.    return result;
     
271.   }
     
272.   // 主函数
     
273.   public static void main(String[] args) {
     
274.      if(args.length!=3){
     
275.         System.out.println("Usage:java SearchCrawler startUrl maxUrl searchString");
     
276.         return;
     
277.      }
     
278.     int max=Integer.parseInt(args[1]);
     
279.     SearchCrawler crawler = new SearchCrawler(args[0],max,args[2]);
     
280.     Thread  search=new Thread(crawler);
     
281.     System.out.println("Start searching...");
     
282.     System.out.println("result:");
     
283.     search.start();
     
284.    
     
285.   }
     
286. }
     

复制代码

  
  
   
   

     
   

     
   
  

     
  

  



                        function TempSave(ElementID)
                        {
                                CommentsPersistDiv.setAttribute("CommentContent",document.getElementById(ElementID).value);
                                CommentsPersistDiv.save("CommentXMLStore");
                        }
                        function Restore(ElementID)
                        {
                                CommentsPersistDiv.load("CommentXMLStore");
                                document.getElementById(ElementID).value=CommentsPersistDiv.getAttribute("CommentContent");
                        }
               
                  











源码下载：http://file.javaxxz.com/2014/10/31/000017218.zip