一 算法简介
程序在思路上采用了广度优先算法，对未遍历过的链接逐次发起get请求，然后对返回来的页面用正则表达式进行解析，取出其中未被发现的新链接，加入集合中，待下一次循环时遍历。
具体实现上使用了map
二 程序实现
上面相关思路已经说得很清楚了，并且代码中关键地方有注释，因此这里就不多说了，代码如下：
package action;
import java.io.bufferedreader;
import java.io.ioexception;
import java.io.inputstream;
import java.io.inputstreamreader;
import java.net.httpurlconnection;
import java.net.malformedurlexception;
import java.net.url;
import java.util.linkedhashmap;
import java.util.map;
import java.util.regex.matcher;
import java.util.regex.pattern;
public class webcrawlerdemo {
public static void main(string[] args) {
webcrawlerdemo webcrawlerdemo = new webcrawlerdemo();
webcrawlerdemo.myprint("http://www.zifangsky.cn");
}
public void myprint(string baseurl) {
map oldmap = new linkedhashmap(); // 存储链接-是否被遍历
// 键值对
string oldlinkhost = ""; //host
pattern p = pattern.compile("(https?://)?[^/\\s]*"); //比如：http://www.zifangsky.cn
matcher m = p.matcher(baseurl);
if (m.find()) {
oldlinkhost = m.group();
}
oldmap.put(baseurl, false);
oldmap = crawllinks(oldlinkhost, oldmap);
for (map.entry mapping : oldmap.entryset()) {
system.out.println("链接：" + mapping.getkey());
}
}
/**
* 抓取一个网站所有可以抓取的网页链接，在思路上使用了广度优先算法
* 对未遍历过的新链接不断发起get请求，一直到遍历完整个集合都没能发现新的链接
* 则表示不能发现新的链接了，任务结束
*
* @param oldlinkhost 域名，如：http://www.zifangsky.cn
* @param oldmap 待遍历的链接集合
*
* @return 返回所有抓取到的链接集合
* */
private map crawllinks(string oldlinkhost,
map oldmap) {
map newmap = new linkedhashmap();
string oldlink = "";
for (map.entry mapping : oldmap.entryset()) {
system.out.println("link:" + mapping.getkey() + "--------check:"
+ mapping.getvalue());
// 如果没有被遍历过
if (!mapping.getvalue()) {
oldlink = mapping.getkey();
// 发起get请求
try {
url url = new url(oldlink);
httpurlconnection connection = (httpurlconnection) url
.openconnection();
connection.setrequestmethod("get");
connection.setconnecttimeout(2000);
connection.setreadtimeout(2000);
if (connection.getresponsecode() == 200) {
inputstream inputstream = connection.getinputstream();
bufferedreader reader = new bufferedreader(
new inputstreamreader(inputstream, "utf-8"));
string line = "";
pattern pattern = pattern
.compile("(.+)");
matcher matcher = null;
while ((line = reader.readline()) != null) {
matcher = pattern.matcher(line);
if (matcher.find()) {
string newlink = matcher.group(1).trim(); // 链接
// string title = matcher.group(3).trim(); //标题
// 判断获取到的链接是否以http开头
if (!newlink.startswith("http")) {
if (newlink.startswith("/"))
newlink = oldlinkhost + newlink;
else
newlink = oldlinkhost + "/" + newlink;
}
//去除链接末尾的 /
if(newlink.endswith("/"))
newlink = newlink.substring(0, newlink.length() - 1);
//去重，并且丢弃其他网站的链接
if (!oldmap.containskey(newlink)
&& !newmap.containskey(newlink)
&& newlink.startswith(oldlinkhost)) {
// system.out.println("temp2: " + newlink);
newmap.put(newlink, false);
}
}
}
}
} catch (malformedurlexception e) {
e.printstacktrace();
} catch (ioexception e) {
e.printstacktrace();
}
try {
thread.sleep(1000);
} catch (interruptedexception e) {
e.printstacktrace();
}
oldmap.replace(oldlink, false, true);
}
}
//有新链接，继续遍历
if (!newmap.isempty()) {
oldmap.putall(newmap);
oldmap.putall(crawllinks(oldlinkhost, oldmap)); //由于map的特性，不会导致出现重复的键值对
}
return oldmap;
}
}
三 最后的测试效果