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：

来源：https://www.cnblogs.com/autonomy/p/11890349.html