lucene2.0+heritrix

由于lucene2.0+heritrix一书示例用的网站(http://mobile.pconline.com.cn/,http://mobile.163.com/)改版了，书上实例不能运行，我又找了一个http://mobile.younet.com/进行开发并成功实现示例，希望感兴趣的同学，近快实践，如果此网站也改了就又得改extractor了，哈哈！
search的Extractor代码如下，（别和书上实例相同）供大家参考：附件里有完整代码

来自：http://willpower88.iteye.com/blog/325722

package com.luceneheritrixbook.extractor.younet;

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
import java.util.Date;

import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.filters.AndFilter;
import org.htmlparser.filters.HasAttributeFilter;
import org.htmlparser.filters.HasChildFilter;
import org.htmlparser.filters.TagNameFilter;
import org.htmlparser.tags.ImageTag;
import org.htmlparser.util.NodeIterator;
import org.htmlparser.util.NodeList;

import com.luceneheritrixbook.extractor.Extractor;
import com.luceneheritrixbook.util.StringUtils;

/**
* <p></p>
* @author cnyqiao@hotmail.com
* @date Feb 6, 2009
*/

public class ExtractYounetMoblie extends Extractor {

@Override
public void extract() {
  BufferedWriter bw = null;
  NodeFilter title_filter = new AndFilter(new TagNameFilter("div"), new HasAttributeFilter("class", "mo_tit"));
  NodeFilter attribute_filter = new AndFilter(new TagNameFilter("p"), new HasChildFilter(new AndFilter(new TagNameFilter("span"), new HasAttributeFilter("class", "gn_sp1 blue1"))));
  NodeFilter img_filter = new AndFilter(new TagNameFilter("span"), new HasChildFilter(new TagNameFilter("img")));

  //提取标题信息
  try {
   //Parser根据过滤器返回所有满足过滤条件的节点
   // 迭代逐渐查找
      NodeList nodeList=this.getParser().parse(title_filter);
   NodeIterator it = nodeList.elements();
   StringBuffer title = new StringBuffer();
   while (it.hasMoreNodes()) {
    Node node = (Node) it.nextNode();
    String[] names = node.toPlainTextString().split(" ");
    for(int i = 0; i < names.length; i++)
     title.append(names[i]).append("-");
    title.append(new Date().getTime());
    //创建要生成的文件
    bw = new BufferedWriter(new FileWriter(new File(this.getOutputPath() + title + ".txt")));
    //获取当前提取页的完整URL地址
    int startPos = this.getInuputFilePath().indexOf("mirror") + 6;
    String url_seg = this.getInuputFilePath().substring(startPos);
    url_seg = url_seg.replaceAll("\\\\", "/");
    String url = "http:/" + url_seg;
    //写入当前提取页的完整URL地址
    bw.write(url + NEWLINE);
    bw.write(names[0] + NEWLINE);
    bw.write(names[1] + NEWLINE);

   }
   // 重置Parser
   this.getParser().reset();
   Parser attNameParser = null;
   Parser attValueParser = null;
            //Parser parser=new Parser("http://www.sina.com.cn");
   NodeFilter attributeName_filter = new AndFilter(new TagNameFilter("span"), new HasAttributeFilter("class", "gn_sp1 blue1"));
      NodeFilter attributeValue_filter = new AndFilter(new TagNameFilter("span"), new HasAttributeFilter("class", "gn_sp2"));
            String attName = "";
            String attValue = "";
            // 迭代逐渐查找
      nodeList=this.getParser().parse(attribute_filter);
   it = nodeList.elements();
   while (it.hasMoreNodes()) {
    Node node = (Node) it.nextNode();
    attNameParser = new Parser();
    attNameParser.setEncoding("GB2312");
    attNameParser.setInputHTML(node.toHtml());
    NodeList attNameNodeList = attNameParser.parse(attributeName_filter);
    attName = attNameNodeList.elements().nextNode().toPlainTextString();

    attValueParser = new Parser();
    attValueParser.setEncoding("GB2312");
    attValueParser.setInputHTML(node.toHtml());
    NodeList attValueNodeList = attValueParser.parse(attributeValue_filter);
    attValue = attValueNodeList.elements().nextNode().toPlainTextString();
    bw.write(attName.trim() + attValue.trim());
    bw.newLine();
   }
   // 重置Parser
   this.getParser().reset();
   String imgUrl = "";
   String fileType ="";
   // 迭代逐渐查找
      nodeList=this.getParser().parse(img_filter);
   it = nodeList.elements();
   while (it.hasMoreNodes()) {
    Node node = (Node) it.nextNode();

    ImageTag imgNode = (ImageTag)node.getChildren().elements().nextNode();
    imgUrl = imgNode.getAttribute("src");
    fileType = imgUrl.trim().substring(imgUrl
      .lastIndexOf(".") + 1);
    //生成新的图片的文件名
    String new_iamge_file = StringUtils.encodePassword(imgUrl, HASH_ALGORITHM) + "." + fileType;
    //imgUrl = new HtmlPaserFilterTest().replace(new_iamge_file, "+", " ");
    //利用miorr目录下的图片生成的新的图片
    this.copyImage(imgUrl, new_iamge_file);
    bw.write(SEPARATOR + NEWLINE);
    bw.write(new_iamge_file + NEWLINE);
   }


        } catch(Exception e) {
            e.printStackTrace();
        } finally {
        try{
       if (bw != null)
        bw.close();
      }catch(IOException e){
       e.printStackTrace();
      }
        }

}
}

运行书上的heritrix实例，并按书上的默认设置进行抓取如下ＵＲＩ：（请自己分析整理）

http://mobile.younet.com/files/list_1.html
http://mobile.younet.com/files/list_2.html
http://mobile.younet.com/files/list_3.html
...

lucene2.0+heritrix相关推荐

Lucene-2.0学习文档
Lucene是apache组织的一个用java实现全文搜索引擎的开源项目. 其功能非常的强大,api也很简单.总得来说用Lucene来进行建立和搜索和操作数据库是差不多的(有点像),Document ...
【java毕业设计】基于java+Lucene+Tomcat的搜索引擎设计与实现（毕业论文+程序源码）——搜索引擎
基于java+Lucene+Tomcat的搜索引擎设计与实现(毕业论文+程序源码) 大家好,今天给大家介绍基于java+Lucene+Tomcat的搜索引擎设计与实现,文章末尾附有本毕业设计的论文和源 ...
【毕业设计】论文你要用的参考文献这里总结了一部分
论文你要用的参考文献这里总结了一部分记得: 点赞!!!! 收藏!!!! 评论!!!! [1] 杨学瑜,王志军,刘同利编著.JSP入门与提高[M]. 北京: 清华大学出版社.2002. [2] 林上杰 ...
基于java的搜索引擎系统设计与实现（项目报告+开题报告+答辩PPT+源代码+数据库+部署视频）
项目报告基于Java的搜索引擎的设计与实现我们处在一个大数据的时代,伴随着网络信息资源的庞大,人们越来越多地注重怎样才能快速有效地从海量的网络信息中,检索出自己需要的.潜在的.有价值的信息,从而可 ...
Lucene6.6.0 案例与学习路线
之前在学习Lucene这个全文检索工具,为项目搜索引擎的开发打下基础.在这里先分享一下关于Lucene的学习心得. 核心的学习流程是:索引文件格式--索引创建过程--检索流程. 1.首先建议参看这篇精 ...
heritrix mysql_Heritrix使用小结
1.Heritrix 简介 Heritrix是一个专门为互联网上的网页进行存档而开发的网页检索器.它使用Java编写并且完全开源.它主要的用户界面可以通过一个web流量器来访问并通过它来控制检索器的行 ...
基于Heritrix的特定主题的网络爬虫配置与实现
建议在了解了一定网络爬虫的基本原理和Heritrix的架构知识后进行配置和扩展. 摘要随着网络时代的日新月异,人们对搜索引擎,网页的内容,大数据处理等问题有了更多的要求.如何从海量的互联网信息中选取 ...
heritrix 基本介绍
Heritrix使用小结 1. Heritrix 简介 Heritrix是一个专门为互联网上的网页进行存档而开发的网页检索器.它使用Java编写并且完全开源.它主要的用户界面可以通过一个web流量 ...
Lucene 2.0.0下载安装及测试
下载链接:http://apache.mirror.phpchina.com/lucene/java/archive/ 以选择lucene-2.0.0.zip下载为例. [安装] 1.在本地磁盘解压缩 ...

lucene2.0+heritrix

lucene2.0+heritrix相关推荐

最新文章

热门文章