WebCralwer_java

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

//util是utility的縮寫,代表是工具類
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){
        //一個存放將要遍歷的
        ArrayList<String> listOfPendingURLs = new ArrayList<String>();
        //一個存放已經被遍歷過的
        ArrayList<String> listOfTraversedURLs = new ArrayList<String>();

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

        while (!listOfPendingURLs.isEmpty() && listOfTraversedURLs.size()<=100){
            //ArrayList類型的remove(0)方法可以去除索引值爲0的元素,並返回該元素<--String類型
            String urlString = listOfPendingURLs.remove(0);
            //如果沒有在這個列表裏面添加進去;如果有的話,不執行if進入到下一次循環
            if(!listOfTraversedURLs.contains(urlString)){
                listOfTraversedURLs.add(urlString);
                //添加並打印
                System.out.println("Crawl "+ urlString);
                //foreach循環,遍歷list,這裏的String s完全就是個代指吧
                for(String s : getSubURLs(urlString)){
                    if(!listOfTraversedURLs.contains(s)){
                        //加入到這個列表之後,打印在前面
                        listOfPendingURLs.add(s);
                    }
                }
            }
        }
    }
    //字符串操作,數組操作,列表操作
    //返回什麼位置,按照什麼去重-->java本身提供的API
    public static ArrayList<String> getSubURLs(String urlString){
        ArrayList<String> list = new ArrayList<String>();

        try {
            //字符串類型的參數傳入構造java.net.URL這個對象
            //就像把本地文件的路徑   這個字符串  構造成一個  File對象,File對象是對本地文件描述符的抽象
            java.net.URL url = new java.net.URL(urlString);
            //仍然是提供一個輸入流,openStream()調用操作系統中的socket套接字,讓socket連遠程的服務器這個位置,讀取內容後返回讓Scanner調用讀取的這個流
            Scanner in = new Scanner(url.openStream());
            
            //下面就是字符串操作的問題
            int current = 0;
            while(in.hasNext()){//當下一個還能讀的時候
                String line = in.nextLine();//讀入這一行,命名爲line,這一行裏面有多個http,多個url
            //這個是不是其實不算爬蟲?它只是不停地讀一行然後另一行而並不涉及順着這個url到另一個url的頁面然後遍歷全網?

                //保存第一次出現http的位置,把第一個url開始的位置變成http的後面;indexOf(,)返回在此字符串中第一次出現指定字符處的索引，從指定的索引開始搜索。
                current = line.indexOf("http:",current);
                while(current>0){
                    //注意引號裏面的不能變啊!
                    int endIndex = line.indexOf( "\"",current);//轉義結束符,但是如果結束符在下一行,就會忽略一個鏈接了
                    if(endIndex>0){//Ensure that a correct URL is found
                        //如果還有url,加入到list裏面
                        list.add(line.substring(current,endIndex));
                        //注意引號裏面的不能變啊!
                        current = line.indexOf("http:",endIndex);
                    }else{
                        current = -1;
                    }
                }
            }
            in.close();
        }
        catch(Exception ex){
            System.out.println("Error: " + ex.getMessage());
        }
        
        return list;
        
    }
}