java爬虫抓取简单网页数据_简单的java爬虫抓取网页实现代码

忘是亡心i 2022-11-09 12:49 451阅读 0赞

import java.io.IOException;

import java.util.LinkedList;

import java.util.List;

import java.util.Queue;

import java.util.regex.Matcher;

import java.util.regex.Pattern;

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

import org.jsoup.nodes.Element;

import org.jsoup.select.Elements;

public class Robot \{

// robot url

private List urlList;

// cache url

private Queue urlQueue;

// define Host

public final static String HOST = "debugs.tk";

// constructor

public Robot() \{

super();

// initialization robot's member

setUrlList(new LinkedList());

setUrlQueue(new LinkedList());

// url

public List getUrlList() \{

return urlList;

public void setUrlList(List urlList) \{

this.urlList = urlList;

// cache

public Queue getUrlQueue() \{

return urlQueue;

public void setUrlQueue(Queue urlQueue) \{

this.urlQueue = urlQueue;

// Legal link

private boolean isURL(String url) \{

try \{

// judge url

Pattern pattern = Pattern.compile("^\[a-zA-z\]+://\[^\\\\s\]\*");

Matcher matcher = pattern.matcher(url);

if (matcher.matches()) \{

return true;

\} else \{

return false;

\} catch (Exception e) \{

e.printStackTrace();

return false;

// whether the url is belong to host

public static boolean isHost(String url) \{

return url.contains(HOST);

// travel all url

public void traverse(String seed) \{

for (this.getUrlQueue().add(seed); !this.getUrlQueue().isEmpty();) \{

boolean flag = true;

Document document = null;

try \{

document = Jsoup.connect(seed).timeout(5000).get();

\} catch (IOException e) \{

e.printStackTrace();

// whether connect success

flag = false;

// whether connect success,then select a tag

// add these aTag into queue

if (flag) \{

// get url

Elements elements = document.select("a\[href\]");

for (Element e : elements) \{

String s = e.attr("abs:href");

// Legal link and belong host

// and url not in list

// then add it

if (isURL(s) && s.contains(HOST)

&& (!getUrlQueue().contains(s))

&& (!getUrlList().contains(s))) \{

this.getUrlQueue().add(s);

// get head of queue

// and set it seed

// travel seed it again

seed = this.getUrlQueue().poll();

this.getUrlList().add(seed);

// show information

// System.out.println("SIZE:"

// + this.getUrlQueue().size() + "---"

// + seed + " connect!");

// public static void main(String\[\] args) \{

// Robot robot = new Robot();

// robot.traverse("http://debugs.tk");

// List list = robot.getUrlList();

// for (String s : list) \{

// System.out.println(s);

// \}

java爬虫抓取简单网页数据_简单的java爬虫抓取网页实现代码

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关 Python爬虫实例：抓取网页内容

相关 Python爬虫实践：抓取网页数据

相关基于Python爬虫实现动态网页抓取

相关 Python实战：爬虫抓取网页数据问题

相关网络爬虫实践：使用 Python 实现一个简单的网页抓取工具？

相关 java爬虫抓取简单网页数据_简单的java爬虫抓取网页实现代码

相关 python实现简单爬虫抓取图片

相关网页抓取：PHP实现网页爬虫方式小结

相关网络爬虫之网页抓取

相关【NodeJS】爬虫之cheerio抓取网页数据