网络爬虫 java 思维导图模板_ProcessOn思维导图、流程图

Configuration类：从配置文件中获得其他文件路径

成员变量

Properties类的对象 propertie

FileInputStream类的对象 inputFile

FileOutputStream类的对象 outputFile

成员函数

构造函数Configuration()

propertie = new Properties()：Creates an empty property list

读入文件configure.properties

String getValue(String key)

根据key得到某一属性的值value

main（）

RAWSPATH

DICTIONARYPATH

MYSQLLIBPATH

分词系统

DictReader类：将本地词汇文件读入，存到哈希表中，便于查询。

成员函数

scanDict(String dictFile)：按行读入dictFile文件并存到哈希表dictionary中

构造函数（空）

DictSegment类：将网页分成词汇，便于提取关键词

成员变量

HashSet dict

HashSet stopWordDict

DictReader dictReader

static final int maxLength = 4

static String dictFile = ""

static String stopDictFile = ""

Configuration conf

成员函数

构造函数DictSegment()

new Configuration()

dictFile="wordlist.txt"

stopDictFile="stopWord.txt"

dict = dictReader.scanDict(dictFile);

stopWordDict = dictReader.scanDict(stopDictFile);

SegmentFile(String htmlDoc): htmlDoc的预处理

第一步操作，把html的文件用正则表达式处理，去掉标签等无用信息，保留文本进行操作

新建类HtmlParser的对象parser

htmlText =parser.html2Text(htmlDoc)

第二步操作，断句cutIntoSentance，把句子传到cutIntoWord，然后获得返回值

cutIntoSentance(htmlText)

循环：cutIntoWord(sentances.get(i)

ArrayList segResult

cutIntoSentance(String htmlDoc)：以。，、；：？！“”‘’《》（）-作为定界符分割htmlDoc

创建StringTokenizer类的对象tokenizer,并构造字符串tokenizer的分析器

ArrayList sentance：存储返回的字符串

cutIntoWord(String sentance)：过滤停用词，过滤单字

main（）

DictSegment dictSeg = new DictSegment();

建立url=words索引系统

ForwardIndex类：建立url-words的索引

成员变量

DBConnection dbc = new DBConnection();

HashMap> indexMap = new HashMap>();

originalPageGetter pageGetter = new originalPageGetter()

DictSegment dictSeg = new DictSegment()

成员函数

构造函数（空）

createForwardIndex()

函数变量

ArrayList segResult：存储网页对应的词组

sql = "select * from pageindex"：查询语句

调用的函数

ResultSet rs = dbc.executeQuery(sql)：执行查询，而且将查询结果存储到rs中

rs.next()：指示每一个数据行，用于循环，在每次循环中：

rs.getString("url")，fileName=rs.getString("raws")，rs.getString("offset")根据表的列名得到对应的内容

htmlDoc = pageGetter.getContent(fileName, offset)：根据文件名和偏移量得到网站内容

segResult = dictSeg.SegmentFile(htmlDoc)：对网站内容进行词汇提取

indexMap.put(url, segResult)：构建url与对应词汇的映射，存储在indexMap中

main（）

迭代器（Iterator）：对HashMap进行遍历并输出显示

InvertedIndex类：建立网页倒排索引：word映射urls

成员变量

HashMap> fordwardIndexMap;

HashMap> invertedIndexMap;

成员函数

InvertedIndex()：构造函数

fordwardIndexMap = forwardIndex.createForwardIndex();

createInvertedIndex()

invertedIndexMap = new HashMap>()

for循环：遍历原来的正向索引，进行倒排

取出url-words键值对

遍历words

倒排索引中还没有这个词，invertedIndexMap.put(word, urls);

索引中已经含有这个词，不需要加入这个词，需要找到这个词从而把对应的url链接附上，urls.add(url);

getInvertedIndex()

return invertedIndexMap

main（）

根据关键词得到链接地址

读取网页和网页分析系统

originalPageGetter类：根据输入参数从原始raws文件中读取网页的功能

成员变量

String url=""；

String urlFromHead=""

DBConnection dbc = new DBConnection()

MD5 md5 = new MD5()

Configuration conf = new Configuration()

成员函数

getPage()

函数变量

String content = ""

调用函数

Page page = getRawsInfo(url)

page.getRawName()

readRawHead()

content = readRawContent(bfReader);

getContent(String file, int offset)：：通过传入的文件名和偏移量得到网页内容

调用函数

readRawHead（文件地址字符流）

根据文件名file，得到文件地址，然后将文件读入，存入bfReader中

readRawHead（文件地址字符流）

readRawContent（文件地址字符流）

返回String类型数据

content

readRawHead(BufferedReader bfReader)

readRawContent(BufferedReader bfReader)得到网页内容信息

getRawsInfo（String url）查询，并存入数据库

sql = select * from pageindex where url='url'

ResultSet rs = dbc.executeQuery(sql);

循环

connent = rs.getString("connent");

offset = Integer.parseInt(rs.getString("offset"));

raws = rs.getString("raws")

return new Page(url, offset, connent, raws);

RawsAnalyzer类:实现了从原始网页集合Raws的分析操作。

成员变量

DBConnection dbc = new DBConnection();

MD5 md5 = new MD5();

int offset;

Page page;

String rootDirectory;

成员函数

带参构造函数RawsAnalyzer(String rootName)

this.rootDirectory = rootName;

page = new Page();

createPageIndex()

ArrayList fileNames = getSubFile(rootDirectory);

循环执行createPageIndex(fileName)

createPageIndex(String fileName)，重载函数

fileReader = new FileReader(fileName);读入文件

bfReader = new BufferedReader(fileReader)；文件字符缓冲流

按行循环读入

url = readRawHead(bfReader);

content = readRawContent(bfReader);

contentMD5 = md5.getMD5ofStr(content);

page.setPage(url, oldOffset, contentMD5, fileName);

page.add2DB(dbc);

readRawHead(BufferedReader bfReader)

得到urlLine

readRawContent(BufferedReader bfReader)

static ArrayList getSubFile(String fileName)：得到文件的绝对路径

main()函数

RawsAnalyzer analyzer = new RawsAnalyzer("Raws");

analyzer.createPageIndex();

工具系统

DBConnection 类：数据库连接

加载驱动程序；Class.forName（）

连接数据库；DriverManager.getConnection（）

访问数据库conn.createStatement（）

执行查询或更新；executeQuery（），executeUpdate（）

HtmlParser类：网页处理

成员函数

html2Text(String inputString)，参数是：含html标签的字符串

java正则表达式通过java.util.regex包下的Pattern类与Matcher类实现

Pattern类用于创建一个正则表达式，Pattern.compile（String regex）

Matcher类提供了对正则表达式的分组支持,以及对正则表达式的多次匹配支持.

作用：去除一些标签，返回文本字符串

ArrayList urlDetector(String htmlDoc)

作用：去除一些无用链接，修复一些相对路径的链接

提取href="http://bbs.life.sina.com.cn/"中的双引号之间的url地址，并存入数组中

MD5类：加密

消息摘要算法第五版

用于确保信息传输完整一致而广泛使用的散列算法之一

将数据（如一段文字）运算变为另一固定长度值

Page：将网页存到数据库

成员变量：网页存储格式

String url

int offset

String connent

String rawName

主要成员函数

add2DB(DBConnection dbc)

insert into pageindex(url, connent, offset, raws) values ('url', 'connent', 'offset', 'rawName');

Result类

成员变量

private String title; private String content; private String url; private String date;

成员函数

构造函数：Result(String title, String content, String url, String date)

this.title = title; this.content = content; this.url = url; this.date = date;

ResultGenerator类

成员函数

ResultGenerator()构造函数

pageGetter = new originalPageGetter()

String regEx_meta = ""; meta的正则表达式

p_title = Pattern.compile(regEx_title,Pattern.CASE_INSENSITIVE); p_meta = Pattern.compile(regEx_meta,Pattern.CASE_INSENSITIVE);匹配

Result generateResult(String url)

Page page; String content = ""; String date = ""; String title = ""; String shortContent = "";

子主题

page = pageGetter.getRawsInfo(url);

content = pageGetter.getContent(page.getRawName(), page.getOffset());

date = pageGetter.getDate();

return new Result(title, shortContent, url, date);

StopWordsMerger类

成员变量

成员函数

HashSet scanDict(String stopDictFile)读入停用词，存在哈希表中

mergeSet(HashSet set1, HashSet set2)合并停用词哈希表

爬虫

Dispatcher类：将新的url添加到对应的数组中

成员变量

ArrayList urls

ArrayList visitedURLs：已访问过

ArrayList unvisitedURLs：未访问过

主要成员函数，这里的函数代码都分别加锁了

insert(单个url/url数组)：插入新的url

if (!urls.contains(url) && !visitedURLs.contains(url)) urls.add(url);

getURL()：读取url

urls.isEmpty()：等待

url = urls.get(0)：取出集合中第一条数据

visitedURLs.add(url);添加

urls.remove(url);移除

Gather类 implements Runnable，实现run()方法就可以实现多线程

成员变量

Dispatcher disp

String ID

URLClient client = new URLClient()

WebAnalyzer analyzer = new WebAnalyzer()

主要成员函数

Gather(String ID, Dispatcher disp)含参构造函数

在文件夹Raws下创建新文件RAW__ID

向文件中写入

run()

循环

url = disp.getURL()

htmlDoc = client.getDocumentAt(url)存储url页面内容

htmlDoc不为空的情况下

ArrayList newURL = analyzer.doAnalyzer(bfWriter, url, htmlDoc);完成url解析并且返回，保存指定格式的doc

disp.insert(newURL)

URLClient类

成员函数

getDocumentAt(URL url)根据网址得到网页内容

URL hostURL = url;

URLConnection conn = hostURL.openConnection();创建连接对象

reader = new BufferedReader(new InputStreamReader(conn.getInputStream()));

循环，如果reader.readLine()！=null，那么document.append(line + "\n");

WebAnalyzer类

成员函数

ArrayList doAnalyzer(BufferedWriter bfWriter, URL url, String htmlDoc)

ArrayList urlInHtmlDoc = (new HtmlParser()).urlDetector(htmlDoc); 根据网页内容htmlDoc得到这个网页中包含的其他的urls，并将其存入动态数组urlInHtmlDoc中

saveDoc(bfWriter, url, htmlDoc)将抽取了内容的htmlDoc按照指定的格式写入文件中进行保存

saveDoc(BufferedWriter bfWriter, URL url, String htmlDoc)

保存在指定文件的格式

version:1.0 url:http://www.163.com date:Thu Mar 12 20:55:55 CST 2015 IP:111.202.57.27 length:625461 网页内容

Spider类：爬虫实现

成员变量

ArrayList urls

int gatherNum = 5

主要成员函数

start()启动线程

Dispatcher disp = new Dispatcher(urls);

循环，gatherNum

Thread gather = new Thread(new Gather(String.valueOf(i), disp));创建线程

gather.start();

main（）函数

ArrayList urls = new ArrayList();

urls.add(new URL("http://www.baidu.com"));向数组中增添url

Spider spider = new Spider(urls);

spider.start();

查询系统

Response类：

成员变量

HashMap> invertedIndexMap;倒排索引

ArrayList results;返回结果列表

DictSegment dictSeg;分词器

ResultGenerator resultGenerator;

成员函数

getResponse(String request)

调用函数doQuery(request);

doQuery(String request)

1. 关键词分词、剔除停用词，并对分词结果进行查找对应的结果

2. 合并各个分词的结果，返回初步的网页URL信息

3. 根据URL通过数据库获得网页所在位置，从而在RAWs中获得网页内容