java抓取网页内容(这篇文章主要介绍了JAVA使用爬虫抓取网站网页内容的方法)

　　java抓取网页内容(这篇文章主要介绍了JAVA使用爬虫抓取网站网页内容的方法)

　　本文文章主要介绍JAVA利用爬虫抓取网站网页内容的方法。现在分享给大家，给大家参考。跟着小编一起来看看吧。

　　前言：在写这篇文章之前，主要看了几个类似的爬虫写法，有的写成队列，感觉不是很直观，有的只有一个请求和页面分析，但是没有自动爬升。这也叫爬虫？所以我根据自己的想法写了一个简单的爬虫。

　　算法介绍

　　程序在思想上采用了广度优先算法。它对没有被遍历过的链接一一发起GET请求，然后用正则表达式解析返回的页面，取出没有找到的新链接，加入集合中，等待下一次遍历的同时循环.

　　具体实现中使用的是map，key-value对就是链接和是否遍历。程序中用到了两个Map集合，分别是：oldMap和newMap。初始链接在oldMap中，然后请求oldMap中flag为false的链接，解析页面，使用常规规则检索标签下的链接。如果这个链接不在oldMap和newMap中，则说明这是一个新的链接，如果这个链接是我们需要获取的目标网站的链接，我们会把这个链接放到newMap中，继续解析。, 页面解析完成后，将oldMap中当前页面上的链接值设置为true，表示已经被遍历。

　　最后，在整个oldMap还没有遍历完链接之后，如果发现newMap不为空，说明在这个循环中产生了新的链接。因此，将这些新链接添加到oldMap中并继续递归遍历，反之亦然。在此循环中不会生成新链接。如果循环继续，则无法生成新链接。因为任务结束，返回链接集合oldMap

　　二 方案实施

　　上面的相关思路已经解释的很清楚了，代码中关键地方都有注释，这里就不多说了，代码如下：

　　 package action; import java.io.BufferedReader; import java.io.IOException; import java.io.InputStream; import java.io.InputStreamReader; import java.net.HttpURLConnection; import java.net.MalformedURLException; import java.net.URL; import java.util.LinkedHashMap; import java.util.Map; import java.util.regex.Matcher; import java.util.regex.Pattern; public class WebCrawlerDemo { public static void main(String[] args) { WebCrawlerDemo webCrawlerDemo = new WebCrawlerDemo(); webCrawlerDemo.myPrint("http://www.zifangsky.cn"); } public void myPrint(String baseUrl) { Map oldMap = new LinkedHashMap(); // 存储链接-是否被遍历 // 键值对 String oldLinkHost = ""; //host Pattern p = Pattern.compile("(https?://)?[^/\\s]*"); //比如：http://www.zifangsky.cn Matcher m = p.matcher(baseUrl); if (m.find()) { oldLinkHost = m.group(); } oldMap.put(baseUrl, false); oldMap = crawlLinks(oldLinkHost, oldMap); for (Map.Entry mapping : oldMap.entrySet()) { System.out.println("链接：" + mapping.getKey()); } } /** * 抓取一个网站所有可以抓取的网页链接，在思路上使用了广度优先算法 * 对未遍历过的新链接不断发起GET请求，一直到遍历完整个集合都没能发现新的链接 * 则表示不能发现新的链接了，任务结束 * * @param oldLinkHost 域名，如：http://www.zifangsky.cn * @param oldMap 待遍历的链接集合 * * @return 返回所有抓取到的链接集合 * */ private Map crawlLinks(String oldLinkHost, Map oldMap) { Map newMap = new LinkedHashMap(); String oldLink = ""; for (Map.Entry mapping : oldMap.entrySet()) { System.out.println("link:" + mapping.getKey() + "--------check:" + mapping.getValue()); // 如果没有被遍历过 if (!mapping.getValue()) { oldLink = mapping.getKey(); // 发起GET请求 try { URL url = new URL(oldLink); HttpURLConnection connection = (HttpURLConnection) url .openConnection(); connection.setRequestMethod("GET"); connection.setConnectTimeout(2000); connection.setReadTimeout(2000); if (connection.getResponseCode() == 200) { InputStream inputStream = connection.getInputStream(); BufferedReader reader = new BufferedReader( new InputStreamReader(inputStream, "UTF-8")); String line = ""; Pattern pattern = Pattern .compile("(.+)</a>"); Matcher matcher = null; while ((line = reader.readLine()) != null) { matcher = pattern.matcher(line); if (matcher.find()) { String newLink = matcher.group(1).trim(); // 链接 // String title = matcher.group(3).trim(); //标题 // 判断获取到的链接是否以http开头 if (!newLink.startsWith("http")) { if (newLink.startsWith("/")) newLink = oldLinkHost + newLink; else newLink = oldLinkHost + "/" + newLink; } //去除链接末尾的 / if(newLink.endsWith("/")) newLink = newLink.substring(0, newLink.length() - 1); //去重，并且丢弃其他网站的链接 if (!oldMap.containsKey(newLink) && !newMap.containsKey(newLink) && newLink.startsWith(oldLinkHost)) { // System.out.println("temp2: " + newLink); newMap.put(newLink, false); } } } } } catch (MalformedURLException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } try { Thread.sleep(1000); } catch (InterruptedException e) { e.printStackTrace(); } oldMap.replace(oldLink, false, true); } } //有新链接，继续遍历 if (!newMap.isEmpty()) { oldMap.putAll(newMap); oldMap.putAll(crawlLinks(oldLinkHost, oldMap)); //由于Map的特性，不会导致出现重复的键值对 } return oldMap; } }

　　三项最终测试结果

　　PS：实际递归不是很好，因为如果网站页多的话，程序运行时间长的话内存消耗会很大。

　　感谢您的阅读，希望对您有所帮助，感谢您对本站的支持！

　　以上是Java爬虫在网站上所有链接的详细内容。更多详情请关注html中文网站其他相关文章！