开源JAVA爬虫crawler4j源码分析 - 2 开始使用crawler4j


使用crawler4j非常简单,源码中已经包涵了很多的例子,并且是直接就可以运行的。


首先运行pom.xml,或者是直接下载依赖库:

https://code.google.com/p/crawler4j/downloads/detail?name=crawler4j-3.5-dependencies.zip&can=2&q=


1. 运行Example

打开edu.uci.ics.crawler4j.examples.basic下的BasicCrawlController,就一个main方法,注释掉前3行,改下目录和线程数:

/*if (args.length != 2) {
 System.out.println("Needed parameters: ");
System.out.println("\t rootFolder (it will contain intermediate crawl data)");
System.out.println("\t numberOfCralwers (number of concurrent threads)");
return;
}*/
/* * 爬取时数据临时存放目录. */
String crawlStorageFolder = "./tmp";
/* * 爬取线程数,即同时有多少个爬虫工作. */
int numberOfCrawlers = 5;

 
 

保存,运行,程序就开始输出爬取出来的信息了。看,多简单!

2. 爬取指定网站

翻到BasicCrawlController最后,修改入口URL:

		/*
		 * 添加入口URL
		 */

		controller.addSeed("http://www.ics.uci.edu/");
		controller.addSeed("http://www.ics.uci.edu/~lopes/");
		controller.addSeed("http://www.ics.uci.edu/~welling/");

		/*
		 * 开始工作
		 */
		controller.start(BasicCrawler.class, numberOfCrawlers);

入口URL即爬虫先从哪些网页开始爬,程序会先将入口页面加入列表,再下载这些页面,然后解析出这些页面里面包涵的链接地址(主要是HTML的a,img,iframe等标签),把这些地址再加入列表,再下载,再解析……


3. 输出指定信息

打开BasicCrawler,修改visit方法:

	public void visit(Page page) {
		int docid = page.getWebURL().getDocid(); //这是程序定义的ID
		String url = page.getWebURL().getURL(); //URL地址
		String domain = page.getWebURL().getDomain(); //域名,如baidu.com
		String path = page.getWebURL().getPath(); //路径,不包含URL参数
		String subDomain = page.getWebURL().getSubDomain(); //子域名,如www,
		String parentUrl = page.getWebURL().getParentUrl(); //父页面,即从哪个页面发现的该URL的
		String anchor = page.getWebURL().getAnchor(); //锚,即HTML显示的信息,如<a href="***">锚</a>

		System.out.println("Docid: " + docid);
		System.out.println("URL: " + url);
		System.out.println("Domain: '" + domain + "'");
		System.out.println("Sub-domain: '" + subDomain + "'");
		System.out.println("Path: '" + path + "'");
		System.out.println("Parent page: " + parentUrl);
		System.out.println("Anchor text: " + anchor);
		
		if (page.getParseData() instanceof HtmlParseData) {
			HtmlParseData htmlParseData = (HtmlParseData) page.getParseData();
			String text = htmlParseData.getText(); //HTML显示的信息
			String html = htmlParseData.getHtml(); //HTML全部代码
			List<WebURL> links = htmlParseData.getOutgoingUrls(); //在该页面发现的全部URL地址

			System.out.println("Text length: " + text.length());
			System.out.println("Html length: " + html.length());
			System.out.println("Number of outgoing links: " + links.size());
		}

		Header[] responseHeaders = page.getFetchResponseHeaders(); //页面服务器返回的HTML头信息
		if (responseHeaders != null) {
			System.out.println("Response headers:");
			for (Header header : responseHeaders) {
				System.out.println("\t" + header.getName() + ": " + header.getValue());
			}
		}
		
		System.out.println("=============");
	}


4. 爬取指定规则页面

很简单,直接修改BasicCrawler的shouldVisit方法:

	private final static Pattern FILTERS = Pattern.compile(".*(\\.(css|js|bmp|gif|jpe?g" + "|png|tiff?|mid|mp2|mp3|mp4"
			+ "|wav|avi|mov|mpeg|ram|m4v|pdf" + "|rm|smil|wmv|swf|wma|zip|rar|gz))$");

	/**
	 * 是否抓取页面
	 */
	@Override
	public boolean shouldVisit(WebURL url) {
		String href = url.getURL().toLowerCase();
		return !FILTERS.matcher(href).matches() && href.startsWith("http://www.ics.uci.edu/");
	}

默认不爬不能解析的格式,如音乐视频,默认只爬URL是http://www.ics.uci.edu开头的,修改方法和正则就可以了。


5. 爬取指定数量和深度的页面

回到BasicCrawlController,找到下面两行代码,修改就可以了:

		/*
		 * 深度,即从入口URL开始算,URL是第几层。如入口A是1,从A中找到了B,B中又有C,则B是2,C是3
		 */
		config.setMaxDepthOfCrawling(2);

		/*
		 * 最多爬取多少个页面
		 */
		config.setMaxPagesToFetch(1000);



使用就这么简单,后面再介绍代码和原理。


智能推荐

注意!

本站转载的文章为个人学习借鉴使用,本站对版权不负任何法律责任。如果侵犯了您的隐私权益,请联系我们删除。



 
© 2014-2019 ITdaan.com 粤ICP备14056181号  

赞助商广告