dySE：一个 Java 搜索引擎的实现，第 1 部分: 网络爬虫

核心提示： 清单 1. 网页数据抓取URLurl=newURL(“http://www.xxx.com”);URLConnectionconn=url.openConnection();BufferedReaderreader=newBufferedReader(newInputSt

清单 1. 网页数据抓取

URL　url　=　new　URL(“http://www.xxx.com”);　
URLConnection　conn　=　url.openConnection();　
BufferedReader　reader　=　new　BufferedReader(new　InputStreamReader(conn.getInputStream()));　
String　line　=　null;　
while((line　=　reader.readLine())　!=　null)　
　　document.append(line　+　"\n");　

使用 Java 语言的好处是不需要自己处理底层的连接操作，喜欢或者精通 Java 网络编程的读者也可以不用上述的方法，自己实现 URL 类及相关操作，这也是一种很好的锻炼。

网页处理

收集到的单个网页，需要进行两种不同的处理，一种是放入网页库，作为后续处理的原始数据；另一种是被分析之后，抽取其中的 URL 连接，放入 URL 池等待对应网页的收集。

网页的保存需要按照一定的格式，以便以后数据的批量处理。这里介绍一种存储数据格式，该格式从北大天网的存储格式简化而来：

网页库由若干记录组成，每个记录包含一条网页数据信息，记录的存放为顺序添加；

一条记录由数据头、数据、空行组成，顺序为：头部 + 空行 + 数据 + 空行；

头部由若干属性组成，有：版本号，日期，IP 地址，数据长度，按照属性名和属性值的方式排列，中间加冒号，每个属性占用一行；

数据即为网页数据。

需要说明的是，添加数据收集日期的原因，由于许多网站的内容都是动态变化的，比如一些大型门户网站的首页内容，这就意味着如果不是当天爬取的网页数据，很可能发生数据过期的问题，所以需要添加日期信息加以识别。

URL 的提取分为两步，第一步是 URL 识别，第二步再进行 URL 的整理，分两步走主要是因为有些网站的链接是采用相对路径，如果不整理会产生错误。URL 的识别主要是通过正则表达式来匹配，过程首先设定一个字符串作为匹配的字符串模式，然后在 Pattern 中编译后即可使用 Matcher 类来进行相应字符串的匹配。实现代码如下：