CANCEL;)i++>
processURL((URL)list[i]);
}
当上述代码遍历“workloadWaiting”时,它把每个需处理的URL都传递给“processURL”方法,而这个方法才是真正读取并解析URL中HTML信息的。
读取并解析HTML
Java同时支持访问URL内容及解析HTML,而这正是“processURL”方法要做的。
在Java中读取URL内容相对还比较简单,下面就是“processURL”方法实现此功能的代码:
URLConnectionconnection=url.openConnection();
if((connection.getContentType()!
=null)&&!
connection.getContentType().toLowerCase().startsWith("text/")){
getWorkloadWaiting().remove(url);
getWorkloadProcessed().add(url);
log("Notprocessingbecausecontenttypeis:
"+
connection.getContentType());
return;
}
首先,为每个传递进来的变量url中存储的URL构造一个“URLConnection”对象,因为网站上会有多种类型的文档,而“蜘蛛”只对那些包含HTML,尤其是基于文本的文档感兴趣。
前述代码是为了确保文档内容以“text/”打头,如果文档类型为非文本,会从等待区移除此URL,并把它添加到已处理区,这也是为了保证不会再次访问此URL。
在对特定URL建立连接之后,接下来就要解析其内容了。
下面的代码打开了URL连接,并读取内容:
InputStreamis=connection.getInputStream();
Readerr=newInputStreamReader(is);
现在,我们有了一个Reader对象,可以用它来读取此URL的内容,对本文中的“蜘蛛”来说,只需简单地把其内容传递给HTML解析器就可以了。
本例中使用的HTML解析器为SwingHTML解析器,其由Java内置,但由于Java对HTML解析的支持力度不够,所以必须重载一个类来实现对HTML解析器的访问,这就是为什么我们要调用“HTMLEditorKit”类中的“getParser”方法。
但不幸的是,Sun公司把这个方法置为protected,唯一的解决办法就是创建自己的类并重载“getParser”方法,并把它置为public,这由“HTMLParse”类来实现,请看例4:
importjavax.swing.text.html.*;
publicclassHTMLParseextendsHTMLEditorKit{
publicHTMLEditorKit.ParsergetParser()
{
returnsuper.getParser();
}
}
这个类用在Spider类的“processURL”方法中,我们也会看到,Reader对象会用于读取传递到“HTMLEditorKit.Parser”中网页的内容:
HTMLEditorKit.Parserparse=newHTMLParse().getParser();
parse.parse(r,newParser(url),true);
请留意,这里又构造了一个新的Parser类,这个Parser类是一个Spider类中的内嵌类,而且还是一个回调类,它包含了对应于每种HTMLtag将要调用的特定方法。
在本文中,我们只需关心两类回调函数,它们分别对应一个简单tag(即不带结束tag的tag,如
)和一个开始tag,这两类回调函数名为“handleSimpleTag”和“handleStartTag”。
因为每种的处理过程都是一样的,所以“handleStartTag”方法仅是简单地调用“handleSimpleTag”,而“handleSimpleTag”则会负责从文档中取出超链接,这些超链接将会用于定位“蜘蛛”要访问的其他页面。
在当前tag被解析时,“handleSimpleTag”会检查是否存在一个“href”或超文本引用:
Stringhref=(String)a.getAttribute(HTML.Attribute.HREF);
if((href==null)&&(t==HTML.Tag.FRAME))
href=(String)a.getAttribute(HTML.Attribute.SRC);
if(href==null)
return;
如果不存在“href”属性,会继续检查当前tag是否为一个Frame,Frame会使用一个“src”属性指向其他页面,一个典型的超链接通常为以下形式:
上面链接中的“href”属性指向其链接到的页面,但是“linkedpage.html”不是一个地址,它只是指定了这个Web服务器上一个页面上的某处,这称为相对URL,相对URL必须被解析为绝对URL,而这由以下代码完成:
URLurl=newURL(base,str);
这又会构造一个URL,str为相对URL,base为这个URL上的页面,这种形式的URL类构造函数可构造一个绝对URL。
在URL变为正确的绝对形式之后,通过检查它是否在等待区,来确认此URL是否已经被处理过。
如果此URL没有被处理过,它会添加到等待区,之后,它会像其他URL一样被处理。
相关的代码如下所示:
1.CheckLinks.java
importjava.awt.*;
importjavax.swing.*;
import.*;
importjava.io.*;
publicclassCheckLinksextendsjavax.swing.JFrameimplements
Runnable,ISpiderReportable{
/**
*Theconstructor.Performsetuphere.
*/
publicCheckLinks()
{
//{{INIT_CONTROLS
setTitle("FindBrokenLinks");
getContentPane().setLayout(null);
setSize(405,288);
setVisible(true);
label1.setText("EnteraURL:
");
getContentPane().add(label1);
label1.setBounds(12,12,84,12);
begin.setText("Begin");
begin.setActionCommand("Begin");
getContentPane().add(begin);
begin.setBounds(12,36,84,24);
getContentPane().add(url);
url.setBounds(108,36,288,24);
errorScroll.setAutoscrolls(true);
errorScroll.setHorizontalScrollBarPolicy(javax.swing.
ScrollPaneConstants.HORIZONTAL_SCROLLBAR_ALWAYS);
errorScroll.setVerticalScrollBarPolicy(javax.swing.
ScrollPaneConstants.VERTICAL_SCROLLBAR_ALWAYS);
errorScroll.setOpaque(true);
getContentPane().add(errorScroll);
errorScroll.setBounds(12,120,384,156);
errors.setEditable(false);
errorScroll.getViewport().add(errors);
errors.setBounds(0,0,366,138);
current.setText("CurrentlyProcessing:
");
getContentPane().add(current);
current.setBounds(12,72,384,12);
goodLinksLabel.setText("GoodLinks:
0");
getContentPane().add(goodLinksLabel);
goodLinksLabel.setBounds(12,96,192,12);
badLinksLabel.setText("BadLinks:
0");
getContentPane().add(badLinksLabel);
badLinksLabel.setBounds(216,96,96,12);
//}}
//{{INIT_MENUS
//}}
//{{REGISTER_LISTENERS
SymActionlSymAction=newSymAction();
begin.addActionListener(lSymAction);
//}}
}
/**
*Mainmethodfortheapplication
*
*@paramargsNotused
*/
staticpublicvoidmain(Stringargs[])
{
(newCheckLinks()).setVisible(true);
}
/**
*Addnotifications.
*/
publicvoidaddNotify()
{
//Recordthesizeofthewindowpriortocallingparent's
//addNotify.
Dimensionsize=getSize();
super.addNotify();
if(frameSizeAdjusted)
return;
frameSizeAdjusted=true;
//Adjustsizeofframeaccordingtotheinsetsandmenubar
Insetsinsets=getInsets();
javax.swing.JMenuBarmenuBar=getRootPane().getJMenuBar();
intmenuBarHeight=0;
if(menuBar!
=null)
menuBarHeight=menuBar.getPreferredSize().height;
setSize(insets.left+insets.right+size.width,insets.top+
insets.bottom+size.height+
menuBarHeight);
}
//UsedbyaddNotify
booleanframeSizeAdjusted=false;
//{{DECLARE_CONTROLS
javax.swing.JLabellabel1=newjavax.swing.JLabel();
/**
*Thebeginorcancelbutton
*/
javax.swing.JButtonbegin=newjavax.swing.JButton();
/**
*TheURLbeingprocessed
*/
javax.swing.JTextFieldurl=newjavax.swing.JTextField();
/**
*Scrolltheerrors.
*/
javax.swing.JScrollPaneerrorScroll=
newjavax.swing.JScrollPane();
/**
*Aplacetostoretheerrorscreated
*/
javax.swing.JTextAreaerrors=newjavax.swing.JTextArea();
javax.swing.JLabelcurrent=newjavax.swing.JLabel();
javax.swing.JLabelgoodLinksLabel=newjavax.swing.JLabel();
javax.swing.JLabelbadLinksLabel=newjavax.swing.JLabel();
//}}
//{{DECLARE_MENUS
//}}
/**
*Thebackgroundspiderthread
*/
protectedThreadbackgroundThread;
/**
*Thespiderobjectbeingused
*/
protectedSpiderspider;
/**
*TheURLthatthespiderbeganwith
*/
protectedURLbase;
/**
*Howmanybadlinkshavebeenfound
*/
protectedintbadLinksCount=0;
/**
*Howmanygoodlinkshavebeenfound
*/
protectedintgoodLinksCount=0;
/**
*Internalclassusedtodispatchevents
*
*@author wuhailin
*@version1.0
*/
classSymActionimplementsjava.awt.event.ActionListener{
publicvoidactionPerformed(java.awt.event.ActionEventevent)
{
Objectobject=event.getSource();
if(object==begin)
begin_actionPerformed(event);
}
}
/**
*Calledwhenthebeginorcancelbuttonsareclicked
*
*@parameventTheeventassociatedwiththebutton.
*/
voidbegin_actionPerformed(java.awt.event.ActionEventevent)
{
if(backgroundThread==null){
begin.setLabel("Cancel");
backgroundThread=newThread(this);
backgroundThread.start();
goodLinksCount=0;
badLinksCount=0;
}else{
spider.cancel();
}
}
/**
*Performthebackgroundthreadoperation.Thismethod
*actuallystartsthebackgroundthread.
*/
publicvoidrun()
{
try{
errors.setText("");
spider=newSpider(this);
spider.clear();
base=