以下是一个Java爬虫程序，它能从指定主页开始，按照指定的深度抓取该站点域名下的网页并维护简单索引。
参数：private static int webDepth = 2;//爬虫深度。
主页的深度为1,设置深度后超过该深度的网页不会抓取。 private int intThreadNum = 10;//线程数。开启的线程数。
抓取时也会在程序源文件目录下生成一个report.txt文件记录爬虫的运行情况，并在抓取结束后生成一个fileindex.txt文件维护网页文件索引。
本程序用到了多线程（静态变量和同步），泛型，文件操作，URL类和连接，Hashtable类关联数组，正则表达式及其相关类。托福答案
运行时需使用命令行参数，第一个参数应使用http://开头的有效URL字符串作为爬虫的主页，第二个参数（可选）应输入可转换为int型的字符串（用 Integer.parseInt（String s）静态方法可以转换的字符串，如3）作为爬虫深度，如果没有，则默认深度为2.
本程序的不足之处是：只考虑了href= href=' href="后加绝对url的这三种情况（由于url地址在网页源文件中情况比较复杂，有时处理也会出现错误），还有相对url和 window.open（'的情况没有考虑。异常处理程序也只是简单处理。如果读者有改进办法可以把源代码帖出，不胜感激。托福改分
附上源代码如下（保存名为GetWeb.java）：
import java.io.File;
import java.io.BufferedReader;
import java.io.FileOutputStream;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.io.OutputStreamWriter;
import java.io.PrintWriter;
import java.net.URL;
import java.net.URLConnection;
import java.util.ArrayList;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import java.util.Hashtable;
public class GetWeb {
private int webDepth = 2;// 爬虫深度
private int intThreadNum = 10;// 线程数
private String strHomePage = "";// 主页地址
private String myDomain;// 域名
private String fPath = "web";// 储存网页文件的目录名
private ArrayList<String> arrUrls = new ArrayList<String>（）；// 存储未处理URL
private ArrayList<String> arrUrl = new ArrayList<String>（）；// 存储所有URL供建立索引
private Hashtable<String, Integer> allUrls = new Hashtable<String, Integer>（）；// 存储所有URL的网页号
private Hashtable<String, Integer> deepUrls = new Hashtable<String, Integer>（）；// 存储所有URL深度
private int intWebIndex = 0;// 网页对应文件下标，从0开始
private String charset = "GB2312";
private String report = "";
private long startTime;
private int webSuccessed = 0;
private int webFailed = 0;
public GetWeb（String s） {
this.strHomePage = s;
}
public GetWeb（String s, int i） {
this.strHomePage = s;
this.webDepth = i;
}
public synchronized void addWebSuccessed（） {
webSuccessed++;
}
public synchronized void addWebFailed（） {
webFailed++;
}
public synchronized void addReport（String s） {
try {
report += s;
PrintWriter pwReport = new PrintWriter（new FileOutputStream（
"report.txt"））；
pwReport.println（report）；
pwReport.close（）；
} catch （Exception e） {
System.out.println（"生成报告文件失败！"）；
}
}
public synchronized String getAUrl（） {
String tmpAUrl = arrUrls.get（0）；
arrUrls.remove（0）；
return tmpAUrl;
}
public synchronized String getUrl（） {
String tmpUrl = arrUrl.get（0）；
arrUrl.remove（0）；
return tmpUrl;
}
public synchronized Integer getIntWebIndex（） {
intWebIndex++;
return intWebIndex;
}
/**
* @param args
*/
public static void main（String[] args） {
if （args.length == 0 || args[0].equals（""）） {
System.out.println（"No input!"）；
System.exit（1）；
} else if （args.length == 1） {
GetWeb gw = new GetWeb（args[0]）；
gw.getWebByHomePage（）；
} else {
GetWeb gw = new GetWeb（args[0], Integer.parseInt（args[1]））；
gw.getWebByHomePage（）；
}
}
public void getWebByHomePage（） {
startTime = System.currentTimeMillis（）；
this.myDomain = getDomain（）；
if （myDomain == null） {
System.out.println（"Wrong input!"）；
// System.exit（1）；
return;
}
System.out.println（"Homepage = " + strHomePage）；
addReport（"Homepage = " + strHomePage + "!\n"）；
System.out.println（"Domain = " + myDomain）；
addReport（"Domain = " + myDomain + "!\n"）；
arrUrls.add（strHomePage）；
arrUrl.add（strHomePage）；
allUrls.put（strHomePage, 0）；
deepUrls.put（strHomePage, 1）；
File fDir = new File（fPath）；
if （！fDir.exists（）） {
fDir.mkdir（）；
}
System.out.println（"Start!"）；
this.addReport（"Start!\n"）；
String tmp = getAUrl（）；
this.getWebByUrl（tmp, charset, allUrls.get（tmp） + ""）；
int i = 0;
for （i = 0; i < intThreadNum; i++） {
new Thread（new Processer（this））。start（）；
}
while （true） {
if （arrUrls.isEmpty（） && Thread.activeCount（） == 1） {
long finishTime = System.currentTimeMillis（）；
long costTime = finishTime - startTime;
System.out.println（"\n\n\n\n\nFinished!"）；
addReport（"\n\n\n\n\nFinished!\n"）；
System.out.println（"Start time = " + startTime + " "
+ "Finish time = " + finishTime + " "
+ "Cost time = " + costTime + "ms"）；
addReport（"Start time = " + startTime + " "
+ "Finish time = " + finishTime + " "
+ "Cost time = " + costTime + "ms" + "\n"）；
System.out.println（"Total url number = "
+ （webSuccessed + webFailed） + " Successed: "
+ webSuccessed + " Failed: " + webFailed）；
addReport（"Total url number = " + （webSuccessed + webFailed）
+ " Successed: " + webSuccessed + " Failed: "
+ webFailed + "\n"）；
String strIndex = "";
String tmpUrl = "";
while （！arrUrl.isEmpty（）） {
tmpUrl = getUrl（）；
strIndex += "Web depth:" + deepUrls.get（tmpUrl）
+ " Filepath: " + fPath + "/web"
+ allUrls.get（tmpUrl） + ".htm" + " url:" + tmpUrl
+ "\n\n";
}
System.out.println（strIndex）；
try {
PrintWriter pwIndex = new PrintWriter（new FileOutputStream（
"fileindex.txt"））；
pwIndex.println（strIndex）；
pwIndex.close（）；
} catch （Exception e） {
System.out.println（"生成索引文件失败！"）；
}
break;
}
}
}
public void getWebByUrl（String strUrl, String charset, String fileIndex） {
try {
// if（charset==null||"".equals（charset））charset="utf-8";
System.out.println（"Getting web by url: " + strUrl）；
addReport（"Getting web by url: " + strUrl + "\n"）；
URL url = new URL（strUrl）；
URLConnection conn = url.openConnection（）；
conn.setDoOutput（true）；
InputStream is = null;
is = url.openStream（）；
String filePath = fPath + "/web" + fileIndex + ".htm";
PrintWriter pw = null;
FileOutputStream fos = new FileOutputStream（filePath）；
OutputStreamWriter writer = new OutputStreamWriter（fos）；
pw = new PrintWriter（writer）；
BufferedReader bReader = new BufferedReader（new InputStreamReader（
is））；
StringBuffer sb = new StringBuffer（）；
String rLine = null;
String tmp_rLine = null;
while （（rLine = bReader.readLine（）） != null） {
tmp_rLine = rLine;
int str_len = tmp_rLine.length（）；
if （str_len > 0） {
sb.append（"\n" + tmp_rLine）；
pw.println（tmp_rLine）；
pw.flush（）；
if （deepUrls.get（strUrl） < webDepth）
getUrlByString（tmp_rLine, strUrl）；
}
tmp_rLine = null;
}
is.close（）；
pw.close（）；
System.out.println（"Get web successfully! " + strUrl）；
addReport（"Get web successfully! " + strUrl + "\n"）；
addWebSuccessed（）；
} catch （Exception e） {
System.out.println（"Get web failed! " + strUrl）；
addReport（"Get web failed! " + strUrl + "\n"）；
addWebFailed（）；
}
}
public String getDomain（） {
String reg = "（？<=http\\://[a-zA-Z0-9]{0,100}[.]{0,1}）[^.\\s]*?\\.（com|cn|net|org|biz|info|cc|tv）";
Pattern p = Pattern.compile（reg, Pattern.CASE_INSENSITIVE）；
Matcher m = p.matcher（strHomePage）；
boolean blnp = m.find（）；
if （blnp == true） {
return m.group（0）；
}
return null;
}
public void getUrlByString（String inputArgs, String strUrl） {
String tmpStr = inputArgs;
String regUrl = "（？<=（href=）[\"]?[\']?）[http://][^\\s\"\'\\?]*（"
+ myDomain + "）[^\\s\"\'>]*";
Pattern p = Pattern.compile（regUrl, Pattern.CASE_INSENSITIVE）；
Matcher m = p.matcher（tmpStr）；
boolean blnp = m.find（）；
// int i = 0;
while （blnp == true） {
if （！allUrls.containsKey（m.group（0））） {
System.out.println（"Find a new url,depth:"
+ （deepUrls.get（strUrl） + 1） + " " + m.group（0））；
addReport（"Find a new url,depth:" + （deepUrls.get（strUrl） + 1）
+ " " + m.group（0） + "\n"）；
arrUrls.add（m.group（0））；
arrUrl.add（m.group（0））；
allUrls.put（m.group（0）， getIntWebIndex（））；
deepUrls.put（m.group（0）， （deepUrls.get（strUrl） + 1））；
}
tmpStr = tmpStr.substring（m.end（）， tmpStr.length（））；
m = p.matcher（tmpStr）；
blnp = m.find（）；
}
}
class Processer implements Runnable {
GetWeb gw;
public Processer（GetWeb g） {
this.gw = g;
}
public void run（） {
// Thread.sleep（5000）；
while （！arrUrls.isEmpty（）） {
String tmp = getAUrl（）；
getWebByUrl（tmp, charset, allUrls.get（tmp） + ""）；
}
}
}
}