引言
應用 Java 的開源庫，編寫一個搜索引擎，這個引擎能爬取一個網站的內容。并根據網頁內容進行深度爬取，獲取所有相關的網頁地址和內容，用戶可以通過關鍵詞，搜索所有相關的網址。
具體功能
(1) 用戶可以指定爬取一個url對應的網頁的內容。
(2) 對網頁內容進行解析，并獲取其中所有的url鏈接地址。
(3) 用戶可以設定爬取深度，代表著從初始url對應的頁面開始，可以爬取其中所有的url對應的網頁內的url，以此類推。深度越大，能爬取到的網站越多。
(4) 對爬取到的url內容進行保存、建立索引。建立索引的內容是url地址本身，和url對應的網頁標題。
(5) 用戶可以通過關鍵詞對網址進行搜索，找出有該關鍵詞的url地址。
(6) 建立索引和搜索索引的過程能智能識別中文關鍵詞，能對關鍵詞進行分詞操作。
(7) 用戶可以指定保存索引的地址、初始url、爬取深度、進行搜索的關鍵詞和最大匹配項。
開源框架
- Lucene
- Jsoup
源碼
爬蟲部分：Spider.java
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
|
package webCrawler.Spider;import java.io.IOException;import java.util.ArrayList;import java.util.HashSet;import java.util.Scanner;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;import org.jsoup.nodes.Element;import org.jsoup.select.Elements;import webCrawler.Index.BuildIndex;/** * @author lannooo */public class Spider { ArrayList<String> URLs; private String startURL; private int digLevel; /** * @param startURL 爬蟲的起始URL * @param digLevel 爬取深度 */ public Spider(String startURL, int digLevel){ this.startURL = startURL; this.digLevel = digLevel; this.URLs = new ArrayList<>(); } /** * @param level 當前爬取的深度剩余 * @param arrayList 需要進行下一輪爬去的URL集 * @return 從一格url集爬取到的新的URL集 * @throws IOException */ public ArrayList<String> getLevelURLs(int level, ArrayList<String> arrayList) throws IOException{ ArrayList<String> total = null; if(level>0){ total = new ArrayList<>(); for(String url: arrayList){ /*對于每個arrayList中的URL，首先解析其網頁內容，并獲得里面所有URL項*/ for(String each: getBareLinks(url)){ total.add(each); } } /*用HashSet這個容器將total里面重復項刪除*/ HashSet<String> hashSet = new HashSet<>(total); total = new ArrayList<>(hashSet); } return total; } /** * 從startURL開始，爬取所有相關URLs * @throws IOException */ public void getAll() throws IOException{ ArrayList<String> newURLs; ArrayList<String> currentURLs = new ArrayList<>(); /*把startURL加入currentURLs這個列表中，從這個url開始爬*/ currentURLs.add(startURL); for(int i=digLevel; i>0; i--){ /* * 對于每一層，都要獲取一次由這個url引申出去的url集 * 然后把當前集的已經爬去過的url加入到總的URL集中 * 最后newURLs作為新的需要進行深度爬取的集進入下一輪循環 */ System.out.println("Dig into level: " + (digLevel-i+1)); newURLs = getLevelURLs(i, currentURLs); for(String each: currentURLs){ URLs.add(each); } currentURLs = newURLs; } for(String each:currentURLs){ URLs.add(each); } HashSet<String> hashSet = new HashSet<>(URLs); URLs = new ArrayList<>(hashSet); } /** * @param path 保存索引的路徑 * @throws IOException */ public void storeURLsAndInfo(String path) throws IOException{ BuildIndex build = new BuildIndex(path); /* 把URLs中的所有url進行實際網頁標題的爬取*/ for(String each:URLs){ String text = getLinkText(each); if(text!=null){ build.addField("url", each); build.addField("text", text); /*將這一個entry加入索引中*/ build.pushIndex(); } } build.close(); } /** * @param url 需要獲取網頁標題的url * @return 標題內容 * @throws IOException */ public String getLinkText(String url) throws IOException{ Document document = null; try { /*用Jsoup進行連接，設置超時時間為3秒*/ document = Jsoup.connect(url).timeout(3000).get(); } catch (Exception e) { System.out.println("[TIMEOUT]Get title of url:"+url); return null; } String id="codetool">
建立索引：BuildIndex.java
搜索索引
UI界面（這里為了方便只是命令行的形式，可以根據需求寫一個GUI界面）
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持服務器之家。 原文鏈接：http://blog.csdn.net/qq_22187919/article/details/60466006 延伸 · 閱讀
精彩推薦
最近更新 編輯推薦
閱讀排行
|
