您的位置：首页 > 运维架构 > 网站架构

Java爬取网站源代码和链接代码实例

2019-12-06 12:10 1111 查看

1. 网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列，直到满足系统的一定停止条件。

所以主要使用递归遍历完成对每个网页内链接的获取和源码的获取，然后剔除重复链接

数据爬取后主要使用txt文件储存，根据网址的路径生成想应文件路径

2.代码

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实现爬虫
*/
public class SpiderDemo1 {

//网站主网页链接
private final static String theURL = "http://www.jyyishu.cn";
//今日日期，用于标记日志
private final static String theTIME = new SimpleDateFormat("yyyy-MM-dd").format(new Date());
//网页链接文件路径
private final static String theFILE = "L:/html/jy1/" + theTIME + "/URL.txt";
//网页源码路径
private final static String thePATH = "L:/html/jy1/" + theTIME + "/code";
//正则表达式，用于判断是否是一个网址
private final static String theREGEX= "(http|https)://[\\w+\\.?/?]+\\.[A-Za-z]+";

/**
* 启动类
* @param args
*/
public static void main(String[] args) {
found();
System.out.println("网站爬取完成");
}

public static void found() {
PrintWriter pw = null;
try{
//创建文件目录
File fileDir = new File(thePATH);
if (!fileDir.exists()) {
fileDir.mkdirs();
}

//创建网站网页链接文件
pw = new PrintWriter(new FileWriter(theFILE),true);

//使用递归遍历网站的每个网页
spiderURL(theURL, pw);
} catch (IOException e) {
e.printStackTrace();
} finally {
try {
if(pw != null) {
pw.close();
}
} catch(Exception e) {
e.printStackTrace();
}
}
}

/**
* 爬取该网页源码和网页内连接
* @param url 该网页网址
* @param tpw 对网站网页网址文件连接的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();

//生成文件夹
String src = thePATH + url.substring(theURL.length());
File fileDir = new File(src);
if (!fileDir.exists()) {
fileDir.mkdirs();
}

//生成源代码文件
pw = new PrintWriter(new FileWriter(src + "/Test.txt"),true);
pw1 = tpw;

//爬取网页文件
br=new BufferedReader(new InputStreamReader(connection.getInputStream()));
String line=null;
while((line=br.readLine())!=null){
//把爬取的源码写入文件
pw.println(line);
System.out.println("爬取网页" + url + "成功");
Matcher matcher=pattern.matcher(line);
//判断是否是一个网址
while(matcher.find()){
//判断网址是否以网站主网址为前缀，防止爬到其他网站,并判断是否和原先网址重复
if(matcher.group().startsWith(theURL) && examine(matcher.group())) {
//把爬取的网址写入文件
pw1.println(matcher.group());
spiderURL(matcher.group(), pw1);
}
}
System.out.println("网页" + url + "内链接爬取完成");
}
}catch(Exception e){
e.printStackTrace();
}finally {
try {
if(br != null) {
br.close();
}
if(pw != null) {
pw.close();
}
} catch (IOException e) {
e.printStackTrace();
}
}
}

/**
* 判断是否和以储存网址相同
* @param str 需判断的网址
* @return 是否重复
*/
public static boolean examine(String str) {
BufferedReader br = null;
String str1;
try {
br = new BufferedReader(new FileReader(theFILE));

//      //针对该网站无用网页的屏蔽
//      if(str.startsWith("http://www.jyyishu.cn/artnews/")) {
//        return false;
//      }

//循环文件中每一行的网址，判断是否重复，重复则退出
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. 爬取后的数据

部分链接：

网页数据：

以上就是本文的全部内容，希望对大家的学习有所帮助

您可能感兴趣的文章:

内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理

标签： java 爬取网站

相关文章推荐

新的分享

章节导航