WebCralwer_java

import java.util.Scanner;
import java.util.ArrayList;

//util是utility的缩写,代表是工具类
public class WebCrawler{
    public static void main(String[] args){
        Scanner in = new Scanner(System.in);
        System.out.print("Enter a URL: ");
        String url =in.nextLine(); 
        crawler(url);
        in.close();
    }
    public static void crawler(String statrtingURL){
        //一个存放将要遍历的
        ArrayList<String> listOfPendingURLs = new ArrayList<String>();
        //一个存放已经被遍历过的
        ArrayList<String> listOfTraversedURLs = new ArrayList<String>();

        listOfPendingURLs.add(statrtingURL);//开始的URL

        while (!listOfPendingURLs.isEmpty() && listOfTraversedURLs.size()<=100){
            //ArrayList类型的remove(0)方法可以去除索引值为0的元素,并返回该元素<--String类型
            String urlString = listOfPendingURLs.remove(0);
            //如果没有在这个列表里面添加进去;如果有的话,不执行if进入到下一次循环
            if(!listOfTraversedURLs.contains(urlString)){
                listOfTraversedURLs.add(urlString);
                //添加并打印
                System.out.println("Crawl "+ urlString);
                //foreach循环,遍历list,这里的String s完全就是个代指吧
                for(String s : getSubURLs(urlString)){
                    if(!listOfTraversedURLs.contains(s)){
                        //加入到这个列表之后,打印在前面
                        listOfPendingURLs.add(s);
                    }
                }
            }
        }
    }
    //字符串操作,数组操作,列表操作
    //返回什么位置,按照什么去重-->java本身提供的API
    public static ArrayList<String> getSubURLs(String urlString){
        ArrayList<String> list = new ArrayList<String>();

        try {
            //字符串类型的参数传入构造java.net.URL这个对象
            //就像把本地文件的路径   这个字符串  构造成一个  File对象,File对象是对本地文件描述符的抽象
            java.net.URL url = new java.net.URL(urlString);
            //仍然是提供一个输入流,openStream()调用操作系统中的socket套接字,让socket连远程的服务器这个位置,读取内容后返回让Scanner调用读取的这个流
            Scanner in = new Scanner(url.openStream());
            
            //下面就是字符串操作的问题
            int current = 0;
            while(in.hasNext()){//当下一个还能读的时候
                String line = in.nextLine();//读入这一行,命名为line,这一行里面有多个http,多个url
            //这个是不是其实不算爬虫?它只是不停地读一行然后另一行而并不涉及顺着这个url到另一个url的页面然后遍历全网?

                //保存第一次出现http的位置,把第一个url开始的位置变成http的后面;indexOf(,)返回在此字符串中第一次出现指定字符处的索引，从指定的索引开始搜索。
                current = line.indexOf("http:",current);
                while(current>0){
                    //注意引号里面的不能变啊!
                    int endIndex = line.indexOf( "\"",current);//转义结束符,但是如果结束符在下一行,就会忽略一个链接了
                    if(endIndex>0){//Ensure that a correct URL is found
                        //如果还有url,加入到list里面
                        list.add(line.substring(current,endIndex));
                        //注意引号里面的不能变啊!
                        current = line.indexOf("http:",endIndex);
                    }else{
                        current = -1;
                    }
                }
            }
            in.close();
        }
        catch(Exception ex){
            System.out.println("Error: " + ex.getMessage());
        }
        
        return list;
        
    }
}