java.lang.OutOfMemoryError: Java heap space

Question

程序如下,各位大哥，请不要转帖回答，我尝试了很多种方法没有解决。我打算用这个程序写成爬虫。请帮忙分析下原因，当爬到一万个url时，经常出现如标题错误。谢谢。
import java.io.BufferedReader;
import java.io.File;
import java.io.FileOutputStream;
import java.io.InputStreamReader;
import java.io.PrintStream;
import java.net.URL;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.HashSet;
import java.util.LinkedHashSet;
import java.util.concurrent.ArrayBlockingQueue;
import java.util.concurrent.ThreadPoolExecutor;
import java.util.concurrent.TimeUnit;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import   java.io.FileOutputStream; 
// 搜索Web爬行者
public class SearchCrawler implements Runnable { /*
  * disallowListCache缓存robot不允许搜索的URL。 Robot协议在Web站点的根目录下设置一个robots.txt文件,
  * 规定站点上的哪些页面是限制搜索的。
  * 搜索程序应该在搜索过程中跳过这些区域,下面是robots.txt的一个例子:
  * # robots.txt for http://somehost.com/ User-agent:
  * Disallow: /cgi-bin/
  * Disallow: /registration # Disallow robots on registration page
  * Disallow: /login
  */ private HashMap<String, ArrayList<String>> disallowListCache = new HashMap<String, ArrayList<String>>();
 HashSet<String> crawledList = new HashSet<String>();
 ArrayList<String> errorList = new ArrayList<String>();// 错误信息
 ArrayList<String> result = new ArrayList<String>(); // 搜索到的结果
 ArrayList<String> disallowList;
 LinkedHashSet<String> toCrawlList;
 URL robotsFileUrl;
 BufferedReader reader1;
 BufferedReader reader2;
 StringBuffer pageBuffer;
 Matcher m;
 URL verifiedLink;
 ArrayList<String> linkList;
 //private int intThreadNum = 10;//线程数
  String startUrl;// 开始搜索的起点
// int maxUrl;// 最大处理的url数
  URL verifiedUrl;
  Pattern p;
 Pattern p2;
 String searchString;// 要搜索的字符串(英文)
 boolean caseSensitive = false;// 是否区分大小写
 boolean limitHost = false;// 是否在限制的主机内搜索// public SearchCrawler(String startUrl, int maxUrl, String searchString) {
public SearchCrawler(String startUrl, String searchString) {
  this.startUrl = startUrl;
 // this.maxUrl = maxUrl;
  this.searchString = searchString;
 } public ArrayList<String> getResult() {
  return result;
 } public void run() {// 启动搜索线程
 // crawl(startUrl, maxUrl, searchString, limitHost, caseSensitive);
  crawl(startUrl, searchString, limitHost, caseSensitive);
   } // 检测URL格式
 private URL verifyUrl(String url) {
  // 只处理HTTP URLs.
  if (!url.toLowerCase().startsWith("http://"))
   return null;
  // URL verifiedUrl = null;
  verifiedUrl = null;
  try {
   verifiedUrl = new URL(url);
  } catch (Exception e) {
   return null;
  }
  return verifiedUrl;
 } // 检测robot是否允许访问给出的URL.
 private boolean isRobotAllowed(URL urlToCheck) {
  String host = urlToCheck.getHost().toLowerCase();// 获取给出RUL的主机
  // System.out.println("主机="+host);  // 获取主机不允许搜索的URL缓存
 // ArrayList<String> disallowList = disallowListCache.get(host);
  disallowList = disallowListCache.get(host);
  String disallowPath;
  int commentIndex;
  String disallow;  // 如果还没有缓存,下载并缓存。
  if (disallowList == null) {
   disallowList = new ArrayList<String>();
   try {
   // URL robotsFileUrl = new URL("http://" + host + "/robots.txt");
   robotsFileUrl = new URL("http://" + host + "/robots.txt");
    //BufferedReader reader1 = new BufferedReader(
   reader1 = new BufferedReader(
      new InputStreamReader(robotsFileUrl.openStream()));    // 读robot文件，创建不允许访问的路径列表。
    String line;
    while ((line = reader1.readLine()) != null) {
     if (line.indexOf("Disallow:") == 0) {// 是否包含"Disallow:"
     // String disallowPath = line.substring("Disallow:"
      disallowPath = line.substring("Disallow:"
        .length());// 获取不允许访问路径      // 检查是否有注释。
      // int commentIndex = disallowPath.indexOf("#");
      commentIndex = disallowPath.indexOf("#");
      if (commentIndex != -1) {
       disallowPath = disallowPath.substring(0,
         commentIndex);// 去掉注释
      }      disallowPath = disallowPath.trim();
      disallowList.add(disallowPath);
     }
    }
     reader1.close();
    // 缓存此主机不允许访问的路径。
    disallowListCache.put(host, disallowList);
   } catch (Exception e) {
    return true; // web站点根目录下没有robots.txt文件,返回真
   }
  }  String file = urlToCheck.getFile();
  // System.out.println("文件getFile()="+file);
  for (int i = 0; i < disallowList.size(); i++) {
  // String disallow = disallowList.get(i);
  disallow = disallowList.get(i);
   if (file.startsWith(disallow)) {
    return false;
   }
  }  return true;
 } private String downloadPage(URL pageUrl) {
  try {
   // Open connection to URL for reading.
   //BufferedReader reader2 = new BufferedReader(new InputStreamReader(
  reader2 = new BufferedReader(new InputStreamReader(
     pageUrl.openStream()));   // Read page into buffer.
   String line;
  // StringBuffer pageBuffer = new StringBuffer();
   pageBuffer = new StringBuffer();
   while ((line = reader2.readLine()) != null) {
    pageBuffer.append(line);
   }
    reader2.close();
   return pageBuffer.toString();
  } catch (Exception e) {
  }  return null;
 } // 从URL中去掉"www"
 private String removeWwwFromUrl(String url) {
  int index = url.indexOf("://www.");
  if (index != -1) {
   return url.substring(0, index + 3) + url.substring(index + 7);
  }  return (url);
 } // 解析页面并找出链接
 private ArrayList<String> retrieveLinks(URL pageUrl, String pageContents,
  boolean limitHost) {
 //HashSet crawledList, boolean limitHost) {
  // 用正则表达式编译链接的匹配模式。
 // Pattern p = Pattern.compile("<a\\s+href\\s*=\\s*\"?(.*?)[\"|>]",
        p = Pattern.compile("<a\\s+href\\s*=\\s*\"?(.*?)[\"|>]",
    Pattern.CASE_INSENSITIVE);
 // Matcher m = p.matcher(pageContents);
        m = p.matcher(pageContents);         
  String link;
  String file;
  String path;
  int index;
 // ArrayList<String> linkList = new ArrayList<String>();
  linkList = new ArrayList<String>();
  while (m.find()) {
  // String link = m.group(1).trim();
  link = m.group(1).trim();
   if (link.length() < 1) {
    continue;
   }   // 跳过链到本页面内链接。
   if (link.charAt(0) == '#') {
    continue;
   }   if (link.indexOf("mailto:") != -1) {
    continue;
   }   if (link.toLowerCase().indexOf("javascript") != -1) {
    continue;
   }   if (link.indexOf("://") == -1) {
    if (link.charAt(0) == '/') {// 处理绝对地
     link = "http://" + pageUrl.getHost() + ":"
       + pageUrl.getPort() + link;
    } else {
     //String file = pageUrl.getFile();
     file = pageUrl.getFile();
     if (file.indexOf('/') == -1) {// 处理相对地址
      link = "http://" + pageUrl.getHost() + ":"
        + pageUrl.getPort() + "/" + link;
     } else {
     // String path = file.substring(0,
      path = file.substring(0,
        file.lastIndexOf('/') + 1);
      link = "http://" + pageUrl.getHost() + ":"
        + pageUrl.getPort() + path + link;
     }
    }
   }   //int index = link.indexOf('#');
   index = link.indexOf('#');
   if (index != -1) {
    link = link.substring(0, index);
   }   link = removeWwwFromUrl(link);  // URL verifiedLink = verifyUrl(link);
   verifiedLink = verifyUrl(link);
   if (verifiedLink == null) {
    continue;
   }   /* 如果限定主机，排除那些不合条件的URL */
   if (limitHost
     && !pageUrl.getHost().toLowerCase().equals(
       verifiedLink.getHost().toLowerCase())) {
    continue;
   }   // 跳过那些已经处理的链接.
   if (crawledList.contains(link)) {
    continue;
   }
  //if(!crawledList.contains(link))
   linkList.add(link);
  }  return (linkList);
 } // 搜索下载Web页面的内容，判断在该页面内有没有指定的搜索字符串 private boolean searchStringMatches(String pageContents,
   String searchString, boolean caseSensitive) {
  String searchContents = pageContents;
 /* if (!caseSensitive) {// 如果不区分大小写
   searchContents = pageContents.toLowerCase();
  }*/  //Pattern p2 = Pattern.compile("[\\s]+");
  p2 = Pattern.compile("[\\s]+");
  String[] terms = p2.split(searchString);
  for (int i = 0; i < terms.length; i++) {
   if (caseSensitive) {
    if (searchContents.indexOf(terms[i]) == -1) {
     return false;
    }
   } else {
    if (searchContents.indexOf(terms[i].toLowerCase()) == -1) {
     return false;
    }
   }
  }  return true;
 } 

Answer 1

// 执行实际的搜索操作
// public ArrayList<String> crawl(String startUrl, int maxUrls,
public ArrayList<String> crawl(String startUrl, String searchString, boolean limithost, boolean caseSensitive) {// HashSet<String> crawledList = new HashSet<String>();
 //LinkedHashSet<String> toCrawlList = new LinkedHashSet<String>();
toCrawlList = new LinkedHashSet<String>();
 String url ;
 URL verifiedUrl;
 String pageContents;
  ArrayList<String> links;
 /* if (maxUrls < 1) {
   errorList.add("Invalid Max URLs value.");
   System.out.println("Invalid Max URLs value.");
  }*/  if (searchString.length() < 1) {
   errorList.add("Missing Search String.");
   System.out.println("Missing search String");
  }  if (errorList.size() > 0) {
   System.out.println("err!!!");
   return errorList;
  }  // 从开始URL中移出www
  startUrl = removeWwwFromUrl(startUrl);  toCrawlList.add(startUrl);
  while (toCrawlList.size() > 0) {
//dong modify
 /*  if (maxUrls != -1) {
    if (crawledList.size() == maxUrls) {
     break;
    }
   }*/   // Get URL at bottom of the list.
   
   try
    {
  Thread.currentThread().sleep(100);
    }
    catch(InterruptedException e)
    {
    }
   
  // String url= toCrawlList.iterator().next();
  url= toCrawlList.iterator().next();   // Remove URL from the to crawl list.
   toCrawlList.remove(url);   // Convert string url to URL object.
  // URL verifiedUrl = verifyUrl(url);
  verifiedUrl = verifyUrl(url);   // Skip URL if robots are not allowed to access it.
   if (!isRobotAllowed(verifiedUrl)) {
    continue;
   }   // 增加已处理的URL到crawledList
  /* if(crawledList.size()>5000000)
   {
    String url2 = crawledList.iterator().next();   // Remove URL from the to crawl list.
    crawledList.remove(url2);
  }
  */
   crawledList.add(url);
  // String pageContents = downloadPage(verifiedUrl);
 pageContents = downloadPage(verifiedUrl);   if (pageContents != null && pageContents.length() > 0) {
    // 从页面中获取有效的链接
   // ArrayList<String> links = retrieveLinks(verifiedUrl,
                        links = retrieveLinks(verifiedUrl,
                         pageContents,limitHost);                
    //  pageContents, crawledList, limitHost);
    if (toCrawlList.size()<100000000)
      toCrawlList.addAll(links);
     else
     break;
    if (searchStringMatches(pageContents, searchString,
      caseSensitive)) {
     result.add(url);
     System.out.println(url);
    }
   }
 /*  url=null;
   verifiedUrl=null;
   pageContents=null;
   links=null;*/
  }
  return result;
 } // 主函数
 public static void main(String[] args) {
 try{  File test = new   File("1.txt");   
 PrintStream out=new PrintStream(new FileOutputStream(test));  
System.setOut(out); 
}catch(Exception   e){}    
  System.out.println("Start searching...");
  System.out.println("result:");
  ThreadPoolExecutor threadPool = new ThreadPoolExecutor(8, 15, 3,   
  TimeUnit.SECONDS, new ArrayBlockingQueue<Runnable>(3),   
  new ThreadPoolExecutor.DiscardOldestPolicy()); 
  try{
 // threadPool.execute(new SearchCrawler("http://www.hao123.com/","web"));
  threadPool.execute(new SearchCrawler("http://www.9991.com/","web"));
  threadPool.execute(new SearchCrawler("http://www.sina.com/","web"));
  threadPool.execute(new SearchCrawler("http://cn.yahoo.com/","web"));
  threadPool.execute(new SearchCrawler("http://cn.msn.com/","web"));
  threadPool.execute(new SearchCrawler("http://www.sohu.com/","web"));
  threadPool.execute(new SearchCrawler("http://www.mop.com/","web"));
 // threadPool.execute(new SearchCrawler("http://www.hao123.com/","web"));
  }catch (Exception e) {   
  e.printStackTrace();   
  }    }
}

Answer 2

在eclipse中运行时，显示127m虚拟机内存只用了56m就出现线程溢出错误。

Answer 3

堆空间不够用了，估计有一个死循环在不断的消耗或你其它项目的jar包太多在占用堆内存，程序太长没看完。

Answer 4

把内存提高，增加jvm运行参数
-Xmx=512m

Answer 5

代码太长没看完.
你是用
ArrayList <String> result = new ArrayList <String>(); // 搜索到的结果 
保存搜索到的结果么?
那么你是否在搜到一定数量的数据后将 result 中的数据保存到持久设备,然后清空了 result 呢?
如果没有.内存溢出是早晚的事.

Answer 6

先用-Xmx扩大一下虚拟机内存，不行的话，用MemoryAnalyzer检查一下出异常时的堆栈状态，找一下是哪一块耗掉了大量内存（MemoryAnalyzer的网站上有相关用法）。