iis服务器助手广告
返回顶部
首页 > 资讯 > 后端开发 > Python >Java 实现网络爬虫框架详细代码
  • 643
分享到

Java 实现网络爬虫框架详细代码

2024-04-02 19:04:59 643人浏览 泡泡鱼

Python 官方文档:入门教程 => 点击学习

摘要

目录Java 实现网络爬虫框架一、每个类的功能介绍二、每个类的源代码Java 实现网络爬虫框架 最近在做一个搜索相关的项目,需要爬取网络上的一些链接存储到索引库中,虽然有很多开源的强

Java 实现网络爬虫框架

最近在做一个搜索相关的项目,需要爬取网络上的一些链接存储到索引库中,虽然有很多开源的强大的爬虫框架,但本着学习的态度,自己写了一个简单的网络爬虫,以便了解其中的原理。今天,就为小伙伴们分享下这个简单的爬虫程序!!

一、每个类的功能介绍

  • DownloadPage.java的功能是下载此超链接的页面源代码.
  • FunctionUtils.java 的功能是提供不同的静态方法,包括:页面链接正则表达式匹配,获取URL链接的元素,判断是否创建文件,获取页面的Url并将其转换为规范的Url,截取网页网页源文件的目标内容。
  • HrefOfPage.java 的功能是获取页面源代码的超链接。
  • UrlDataHanding.java 的功能是整合各个给类,实现url到获取数据到数据处理类。
  • UrlQueue.java 的未访问Url队列。
  • VisitedUrlQueue.java 已访问过的URL队列。

二、每个类的源代码

DownloadPage.java 此类要用到HttpClient组件。


package com.sreach.spider;

import java.io.IOException;
import org.apache.http.HttpEntity;
import org.apache.http.HttpResponse;
import org.apache.http.client.ClientProtocolException;
import org.apache.http.client.HttpClient;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.DefaultHttpClient;
import org.apache.http.util.EntityUtils;


public class DownloadPage {

 
 public static String getContentFORMUrl(String url) {
  
  HttpClient client = new DefaultHttpClient();
  HttpGet getHttp = new HttpGet(url);

  String content = null;

  HttpResponse response;
  try {
   
   response = client.execute(getHttp);
   HttpEntity entity = response.getEntity();

   VisitedUrlQueue.addElem(url);

   if (entity != null) {
    
    content = EntityUtils.toString(entity);

    
    if (FunctionUtils.isCreateFile(url)
      && FunctionUtils.isHasGoalContent(content) != -1) {
     FunctionUtils.createFile(
       FunctionUtils.getGoalContent(content), url);
    }
   }

  } catch (ClientProtocolException e) {
   e.printStackTrace();
  } catch (IOException e) {
   e.printStackTrace();
  } finally {
   client.getConnectionManager().shutdown();
  }

  return content;
 }

}

 FunctionUtils.java 此类的方法均为static方法


package com.sreach.spider;

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.OutputStreamWriter;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class FunctionUtils {

 
 private static String pat = "http://www\\.oschina\\.net/code/explore/.*/\\w+\\.[a-zA-Z]+";
 private static Pattern pattern = Pattern.compile(pat);

 private static BufferedWriter writer = null;

 
 public static int depth = 0;

 
 public static String[] divUrl(String url) {
  return url.split("/");
 }

 
 public static boolean isCreateFile(String url) {
  Matcher matcher = pattern.matcher(url);

  return matcher.matches();
 }

 
 public static void createFile(String content, String urlPath) {
  
  String[] elems = divUrl(urlPath);
  StringBuffer path = new StringBuffer();

  File file = null;
  for (int i = 1; i < elems.length; i++) {
   if (i != elems.length - 1) {

    path.append(elems[i]);
    path.append(File.separator);
    file = new File("D:" + File.separator + path.toString());

   }

   if (i == elems.length - 1) {
    Pattern pattern = Pattern.compile("\\w+\\.[a-zA-Z]+");
    Matcher matcher = pattern.matcher(elems[i]);
    if ((matcher.matches())) {
     if (!file.exists()) {
      file.mkdirs();
     }
     String[] fileName = elems[i].split("\\.");
     file = new File("D:" + File.separator + path.toString()
       + File.separator + fileName[0] + ".txt");
     try {
      file.createNewFile();
      writer = new BufferedWriter(new OutputStreamWriter(
        new FileOutputStream(file)));
      writer.write(content);
      writer.flush();
      writer.close();
      System.out.println("创建文件成功");
     } catch (IOException e) {
      e.printStackTrace();
     }

    }
   }

  }
 }

 
 public static String getHrefOfInOut(String href) {
  
  String resultHref = null;

  
  if (href.startsWith("http://")) {
   resultHref = href;
  } else {
   
   if (href.startsWith("/")) {
    resultHref = "http://www.oschina.net" + href;
   }
  }

  return resultHref;
 }

 
 public static String getGoalContent(String content) {
  int sign = content.indexOf("<pre class=\"");
  String signContent = content.substring(sign);

  int start = signContent.indexOf(">");
  int end = signContent.indexOf("</pre>");

  return signContent.substring(start + 1, end);
 }

 
 public static int isHasGoalContent(String content) {
  return content.indexOf("<pre class=\"");
 }

}

HrefOfPage.java 此类为获取页面的超链接


package com.sreach.spider;

public class HrefOfPage {
 
 public static void getHrefOfContent(String content) {
  System.out.println("开始");
  String[] contents = content.split("<a href=\"");
  for (int i = 1; i < contents.length; i++) {
   int endHref = contents[i].indexOf("\"");

   String aHref = FunctionUtils.getHrefOfInOut(contents[i].substring(
     0, endHref));

   if (aHref != null) {
    String href = FunctionUtils.getHrefOfInOut(aHref);

    if (!UrlQueue.isContains(href)
      && href.indexOf("/code/explore") != -1
      && !VisitedUrlQueue.isContains(href)) {
     UrlQueue.addElem(href);
    }
   }
  }

  System.out.println(UrlQueue.size() + "--抓取到的连接数");
  System.out.println(VisitedUrlQueue.size() + "--已处理的页面数");

 }

}

UrlDataHanding.java 此类主要是从未访问队列中获取url,下载页面,分析url,保存已访问url等操作,实现Runnable接口


package com.sreach.spider;

public class UrlDataHanding implements Runnable {
 
 public void dataHanding(String url) {
  HrefOfPage.getHrefOfContent(DownloadPage.getContentFormUrl(url));
 }

 public void run() {
  while (!UrlQueue.isEmpty()) {
   dataHanding(UrlQueue.outElem());
  }
 }
}

UrlQueue.java 此类主要是用来存放未访问的URL队列


package com.sreach.spider;

import java.util.LinkedList;

public class UrlQueue {
 
 public static LinkedList<String> urlQueue = new LinkedList<String>();

 
 public static final int MAX_SIZE = 10000;

 public synchronized static void addElem(String url) {
  urlQueue.add(url);
 }

 public synchronized static String outElem() {
  return urlQueue.removeFirst();
 }

 public synchronized static boolean isEmpty() {
  return urlQueue.isEmpty();
 }

 public static int size() {
  return urlQueue.size();
 }

 public static boolean isContains(String url) {
  return urlQueue.contains(url);
 }

}

VisitedUrlQueue.java 主要是保存已访问过的URL,使用HashSet来保存,主要是考虑到每个访问过的URL是不同。HashSet刚好符合这个要求


package com.sreach.spider;

import java.util.HashSet;


public class VisitedUrlQueue {
 public static HashSet<String> visitedUrlQueue = new HashSet<String>();

 public synchronized static void addElem(String url) {
  visitedUrlQueue.add(url);
 }

 public synchronized static boolean isContains(String url) {
  return visitedUrlQueue.contains(url);
 }

 public synchronized static int size() {
  return visitedUrlQueue.size();
 }
}

Test.java 此类为测试


import java.sql.SQLException;

import com.sreach.spider.UrlDataHanding;
import com.sreach.spider.UrlQueue;

public class Test {
 public static void main(String[] args) throws SQLException {
  String url = "http://www.oschina.net/code/explore/achartengine/client/AndroidManifest.xml";
  String url1 = "http://www.oschina.net/code/explore";
  String url2 = "http://www.oschina.net/code/explore/achartengine";
  String url3 = "http://www.oschina.net/code/explore/achartengine/client";

  UrlQueue.addElem(url);
  UrlQueue.addElem(url1);
  UrlQueue.addElem(url2);
  UrlQueue.addElem(url3);

  UrlDataHanding[] url_Handings = new UrlDataHanding[10];

  for (int i = 0; i < 10; i++) {
   url_Handings[i] = new UrlDataHanding();
   new Thread(url_Handings[i]).start();
  }

 }
}

说明一下:由于我抓取的是针对oschina的,所以里面的url正则表达式不适合其他网站,需要自己修改一下。你也可以写成xml来配置。

以上就是Java 实现网络爬虫框架详细代码的详细内容,更多关于Java 实现网络爬虫框架的资料请关注编程网其它相关文章!

--结束END--

本文标题: Java 实现网络爬虫框架详细代码

本文链接: https://www.lsjlt.com/news/134844.html(转载时请注明来源链接)

有问题或投稿请发送至: 邮箱/279061341@qq.com    QQ/279061341

本篇文章演示代码以及资料文档资料下载

下载Word文档到电脑,方便收藏和打印~

下载Word文档
猜你喜欢
  • Java 实现网络爬虫框架详细代码
    目录Java 实现网络爬虫框架一、每个类的功能介绍二、每个类的源代码Java 实现网络爬虫框架 最近在做一个搜索相关的项目,需要爬取网络上的一些链接存储到索引库中,虽然有很多开源的强...
    99+
    2024-04-02
  • 爬虫---scrapy爬虫框架(详细+实战)
    ​ 活动地址:CSDN21天学习挑战赛 爬虫---scrapy爬虫框架 爬虫---scrapy爬虫框架一、简介1、基本功能2、架构3、scrapy项目的结构 二、scrapy环境搭...
    99+
    2023-10-27
    爬虫 scrapy 数据挖掘 python
  • 如何实现Java手撸网络爬虫框架
    这篇文章主要为大家展示了“如何实现Java手撸网络爬虫框架”,内容简而易懂,条理清晰,希望能够帮助大家解决疑惑,下面让小编带领大家一起研究并学习一下“如何实现Java手撸网络爬虫框架”这篇文章吧。首先介绍每个类的功能:DownloadPag...
    99+
    2023-06-20
  • 半小时实现Java手撸网络爬虫框架(附完整源码)
    最近在做一个搜索相关的项目,需要爬取网络上的一些链接存储到索引库中,虽然有很多开源的强大的爬虫框架,但本着学习的态度,自己写了一个简单的网络爬虫,以便了解其中的原理。今天,就为小伙伴...
    99+
    2024-04-02
  • Python3网络爬虫实战-11、爬虫框
    ScrapySplash 是一个 Scrapy 中支持 JavaScript 渲染的工具,本节来介绍一下它的安装方式。ScrapySplash 的安装分为两部分,一个是是 Splash 服务的安装,安装方式是通过 Docker,安装之后会...
    99+
    2023-01-31
    爬虫 实战 网络
  • Python3网络爬虫实战-10、爬虫框
    我们直接用 Requests、Selenium 等库写爬虫,如果爬取量不是太大,速度要求不高,是完全可以满足需求的。但是写多了会发现其内部许多代码和组件是可以复用的,如果我们把这些组件抽离出来,将各个功能模块化,就慢慢会形成一个框架雏形,久...
    99+
    2023-01-31
    爬虫 实战 网络
  • 开源python网络爬虫框架Scrapy
    介绍:所谓网络爬虫,就是一个在网上到处或定向抓取数据的程序,当然,这种说法不够专业,更专业的描述就是,抓取特定网站网页的HTML数据。不过由于一个网站的网页很多,而我们又不可能事先知道所有网页的URL地址,所以,如何保证我们抓取到了网站的所...
    99+
    2023-01-31
    爬虫 开源 框架
  • 关于Python网络爬虫框架scrapy
    目录scrapy爬虫框架介绍scrapy爬虫框架结构“5+2”结构:requests库和scrapy库比较scrapy的常用命令scrapy爬虫框架介绍 sc...
    99+
    2023-05-17
    Python 爬虫 Python 爬虫框架 scrapy框架
  • 网络爬虫框架Scrapy怎么用
    这篇文章将为大家详细讲解有关网络爬虫框架Scrapy怎么用,小编觉得挺实用的,因此分享给大家做个参考,希望大家阅读完这篇文章后可以有所收获。Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架,用途非常广泛...
    99+
    2023-06-27
  • java实现一个简单的网络爬虫代码示例
    目前市面上流行的爬虫以python居多,简单了解之后,觉得简单的一些页面的爬虫,主要就是去解析目标页面(html)。那么就在想,java有没有用户方便解析html页面呢?找到了一个jsoup包,一个非常方便解析html的工具呢。使用方式也非...
    99+
    2023-05-30
    网络爬虫 java jsoup
  • 如何使用Scrapy网络爬虫框架
    这篇文章将为大家详细讲解有关如何使用Scrapy网络爬虫框架,小编觉得挺实用的,因此分享给大家做个参考,希望大家阅读完这篇文章后可以有所收获。scrapy 介绍标准介绍Scrapy是一个为了爬取网站数据,提...
    99+
    2024-04-02
  • Golang网络爬虫框架gocolly/colly怎么用
    小编给大家分享一下Golang网络爬虫框架gocolly/colly怎么用,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获,下面让我们一起去了解一下吧!安装go get -u github.co...
    99+
    2023-06-05
  • 【100天精通python】Day45:python网络爬虫开发_ Scrapy 爬虫框架
    目录 1 Scrapy 的简介 2 Scrapy选择器 3 快速创建Scrapy 爬虫 4 下载器与爬虫中间件 5 使用管道Pielines...
    99+
    2023-08-31
    python 爬虫 数据库
  • Java中怎么实现一个网络爬虫
    Java中怎么实现一个网络爬虫,针对这个问题,这篇文章详细介绍了相对应的分析和解答,希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。首先介绍每个类的功能:DownloadPage.java的功能是下载此超链接的页面源代码.Fun...
    99+
    2023-06-17
  • scrapy+scrapyd+gerapy 爬虫调度框架超详细教程
    目录一、scrapy1.1 概述1.2 构成1.3 安装和使用二、scrapyd2.1 简介2.2 安装和使用三、gerapy3.1 简介3.2 安装使用四、scrapy+scrap...
    99+
    2024-04-02
  • python PyQt5 爬虫实现代码
    搞一个图形化界面还是挺酷的,是吧 安装库什么的应该不用多说了吧。。 一般来说会让你把 designer.exe(编辑图形化界面的东西,跟vb差不多) 当作外部工具导入到 pychar...
    99+
    2024-04-02
  • C++实现神经网络框架SimpleNN的详细过程
    目录Features DependenciesPlatformTo DoUsageSimpleNN is a simple neural network framework...
    99+
    2024-04-02
  • Python3网络爬虫实战-19、代理基
    我们在做爬虫的过程中经常会遇到这样的情况,最初爬虫正常运行,正常抓取数据,一切看起来都是那么的美好,然而一杯茶的功夫可能就会出现错误,比如 403 Forbidden,这时候打开网页一看,可能会看到“您的 IP 访问频率太高”这样的提示。出...
    99+
    2023-01-31
    爬虫 实战 网络
  • [Android]网络框架之OkHttp(详细)(kotlin)
    目录 OkHttp的介绍 添加依赖 OkHttp的使用 get的同步与异步请求 post的同步与异步请求 POST请求的数据格式 POST请求上传文件 POST请求上传json对象 POST请求上传多个数据 OkHttp的配置 1.Buil...
    99+
    2023-09-10
    android okhttp kotlin
  • Scrapy爬虫框架集成selenium及全面详细讲解
    目录一、架构介绍二、安装创建和启动三、配置文件目录介绍四、爬取数据,并解析五、数据持久化保存到文件保存到redis保存到MongoDB保存到mysql六、动作链,控制滑动的验证码七、...
    99+
    2024-04-02
软考高级职称资格查询
编程网,编程工程师的家园,是目前国内优秀的开源技术社区之一,形成了由开源软件库、代码分享、资讯、协作翻译、讨论区和博客等几大频道内容,为IT开发者提供了一个发现、使用、并交流开源技术的平台。
  • 官方手机版

  • 微信公众号

  • 商务合作