文件名称：java网络爬虫，网络检索作业
文件大小：819KB
文件格式：ZIP
更新时间：2015-06-11 14:16:48
爬虫 网络检索 java spider
实现了一下功能： （1） 能够搜集本站内的所有网页，能提取出其中的URL并加入到待搜集的URL队列中，对非本网站域名的URL，只允许搜集首页，记录发现的URL即可；对搜集的结果，产生2个URL列表：站内搜集URL、非站内（站外）发现URL； （2）使用User-agent向服务器表明自己的身份； （3）能对HTML网页进行解析，提取出链接URL，能判别提取的URL是否已处理过，不重复下载和解析已搜集过的网页； （4）能够对crawler的一些基本参数进行设置，包括：搜集深度（depth）、文件类型、文件大小等。 （5）对搜集的过程生成日志文本文件，日志文件的格式定义，请在实验报告中详细说明。 （6）遵循礼貌规则。必须分析robots.txt文件和meta tag有无限制；一个线程抓完一个网页后要适当停顿（sleep）；最多允许与被搜集站点同时建立2个连接（本地做网页解析的线程数则不限）。 （7）采用多线程并行编程技术，提高搜集速度。
【文件预览】：
爬虫实验
----log.txt(2.42MB)
----src()
--------src()
--------bin()
--------.classpath(301B)
--------.settings()
--------.project(383B)
----外站url.txt(469KB)
----xjt_crawler.exe(236KB)
----error.log(6KB)
----本站url.txt(292KB)
----text类型搜索出的URL集.txt(167KB)
----网络爬虫实验报告.doc(427KB)