在循环爬取得基础上进行多线程爬虫,本程序中使用的三个线程,线程为实现runnable接口,并使用对象锁防止并发共同去访问同一个对象。让三个线程同时爬去同一个url并且得到的新的url不重复。
import java.io.*;
import java.net.*;
public class WebCrawler{
public static void main(String[] args){
runcrawler t1=new runcrawler();
runcrawler t2=new runcrawler();
runcrawler t3=new runcrawler();
t1.start();
t2.start();
t3.start();
}
}
class runcrawler extends Thread{
String s1="<a href=\"http://";
String url="http://www.sina.com";
static int i=0;
static String [] urlconntion=new String[100];
public void run() {
newCrawler cr=new newCrawler(url,s1,urlconntion);
String s2=cr.find();
while(urlconntion[90]==null){
//线程锁,防止并发导致的线程安全
synchronized(this)
{
if(s2==null){
cr=new newCrawler(url,s1,urlconntion);
s2=cr.find();
}
System.out.println(s2);
cr=new newCrawler(s2, s1,urlconntion);
urlconntion[i++]=s2;
s2=cr.find();
}
}
}
}
class newCrawler {
String url=null;
String prefix=null;
//爬去过的url地址集合
String[] urlconntion=null;
//爬虫类的构造函数
newCrawler(String url,String prefix,String[] urlconntion){
this.url=url;
this.prefix=prefix;
this.urlconntion=urlconntion;
}
//根据类的url开始爬取新的url实现循环爬取
public String find(){
URL u=null;
URLConnection con=null;
BufferedReader bfr=null;
String rpurl=null;
try {
u=new URL(url);
con=u.openConnection();
//模拟成用户,访问部分网站,部分网站会拒绝爬虫爬取
con.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");
InputStream is=con.getInputStream();
bfr=new BufferedReader(new InputStreamReader(is));
String s;
while((s=bfr.readLine())!=null){
if(s.indexOf(prefix)>=0)
{
rpurl=getUrl(s);
if(urlrepetition(rpurl)!=-1){
return rpurl;
}
}
}
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
}finally{
try {
bfr.close();
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
return null;
}
//判断url是否被爬去过,如果被爬去可返回-1,如果没有则返回1
public int urlrepetition(String rpurl){
int i=0;
while(urlconntion[i]!=null){
if(urlconntion[i++].equals(rpurl)){
return -1;
}
}
return 1;
}
//从爬去过的源码中截取url地址;
public String getUrl(String s){
int index1=s.indexOf(prefix);
s=s.substring(index1+9);
int index2=s.indexOf("\"");
s=s.substring(0,index2);
return s;
}
}
运行结果:
- 总结:
1.自己刚刚接触爬虫,感觉这程序虽然实现了,但是在效率上不是特别高,自己嵌套了三个循环以上,这样在时间和空间上耗费比较多。
2.上一个写的循环爬去的问题还是没解决。