Crawler4j快速入门实例

crawler4j是Java实现的开源网络爬虫。提供了简单易用的接口，可以在几分钟内创建一个多线程网络爬虫。

github地址：https://github.com/yasserg/crawler4j

我们这里使用maven构建

<dependency>
<groupId>edu.uci.ics</groupId>
<artifactId>crawler4j</artifactId>
<version>4.2</version>
</dependency>

编写自定义爬虫类MyCrawler

package com.hbk.test;

import java.util.Set;
import java.util.regex.Pattern;

import edu.uci.ics.crawler4j.crawler.Page;
import edu.uci.ics.crawler4j.crawler.WebCrawler;
import edu.uci.ics.crawler4j.parser.HtmlParseData;
import edu.uci.ics.crawler4j.url.WebURL;

/**
* 自定义爬虫类需要继承WebCrawler类，决定哪些url可以被爬以及处理爬取的页面信息
*
* @author 黄宝康 2017年8月29日 下午2:24:06
*/
public class MyCrawler extends WebCrawler {

/**
* 正则匹配指定的后缀文件
*/
private final static Pattern FILTERS = Pattern.compile(".*(\\.(css|js|gif|jpg|png|mp3|mp3|zip|gz))$");

/**
* 这个方法主要是决定哪些url我们需要抓取，返回true表示是我们需要的，返回false表示不是我们需要的Url
* 第一个参数referringPage封装了当前爬取的页面信息 第二个参数url封装了当前爬取的页面url信息
*/
@Override
public boolean shouldVisit(Page referringPage, WebURL url) {
String href = url.getURL().toLowerCase(); // 得到小写的url
return !FILTERS.matcher(href).matches() // 正则匹配，过滤掉我们不需要的后缀文件
&& href.startsWith("http://zhdw.71zhihui.com"); // url必须是http://zhdw.71zhihui.com开头，规定站点
}

/**
* 当我们爬到我们需要的页面，这个方法会被调用，我们可以尽情的处理这个页面 page参数封装了所有页面信息
*/
@Override
public void visit(Page page) {
String url = page.getWebURL().getURL(); // 获取url
System.out.println("URL: " + url);
if (page.getParseData() instanceof HtmlParseData) {// 判断是否是html数据
HtmlParseData htmlParseData = (HtmlParseData) page.getParseData(); // 强制类型转换，获取html数据对象
String text = htmlParseData.getText();  // 获取页面纯文本（无html标签）
String html = htmlParseData.getHtml();  // 获取页面Html
Set<WebURL> links = htmlParseData.getOutgoingUrls();  // 获取页面输出链接

System.out.println("纯文本: " + text);
System.out.println("html: " + html);
System.out.println("输出链接个数: " + links.size());
}
}
}

编写爬虫控制器类Controller

package com.hbk.test;

import edu.uci.ics.crawler4j.crawler.CrawlConfig;
import edu.uci.ics.crawler4j.crawler.CrawlController;
import edu.uci.ics.crawler4j.fetcher.PageFetcher;
import edu.uci.ics.crawler4j.robotstxt.RobotstxtConfig;
import edu.uci.ics.crawler4j.robotstxt.RobotstxtServer;

/**
* 爬虫控制器
* @author 黄宝康
* 2017年8月29日 下午2:36:33
*/
public class Controller {

public static void main(String[] args) throws Exception {
String crawlStorageFolder = "c:/crawl"; // 定义爬虫数据存储位置
int numberOfCrawlers = 7; // 定义7个爬虫，也就是7个线程

CrawlConfig config = new CrawlConfig(); // 定义爬虫配置
config.setCrawlStorageFolder(crawlStorageFolder); // 设置爬虫文件存储位置

/*
* 实例化爬虫控制器
*/
PageFetcher pageFetcher = new PageFetcher(config); // 实例化页面获取器
RobotstxtConfig robotstxtConfig = new RobotstxtConfig(); // 实例化爬虫机器人配置 比如可以设置 user-agent

// 实例化爬虫机器人对目标服务器的配置，每个网站都有一个robots.txt文件 规定了该网站哪些页面可以爬，哪些页面禁止爬，该类是对robots.txt规范的实现
RobotstxtServer robotstxtServer = new RobotstxtServer(robotstxtConfig, pageFetcher);
// 实例化爬虫控制器
CrawlController controller = new CrawlController(config, pageFetcher, robotstxtServer);

/**
* 配置爬虫种子页面，就是规定的从哪里开始爬，可以配置多个种子页面
*/
controller.addSeed("http://zhdw.71zhihui.com");
/**
* 启动爬虫，爬虫从此刻开始执行爬虫任务，根据以上配置
*/
controller.start(MyCrawler.class, numberOfCrawlers);
}

}

运行Controller的main方法，爬起页面结果在控制台中输出了html代码数据等。



项目中只用到了两个类，一个pom.xml配置jar文件依赖，适合初学者学习Crawler4j入门。



并且在磁盘上自动生成了以下文件：