Java爬取网站源代码和链接代码实例

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，也希望大家多多支持我们。