Crawler4j快速入门实例
2017-08-29 15:04
363 查看
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:
相关文章推荐
- Crawler4j快速入门实例
- Crawler4j快速入门实例
- Expression Blend实例中文教程(8) - 动画设计快速入门StoryBoard
- Solr.NET快速入门(九)【多核多实例,映射验证】
- SciKit-learn快速入门教程和实例(二)
- hibernate4快速入门实例详解
- windows phone:Expression Blend实例中文教程(8) - 动画设计快速入门StoryBoard
- Expression Blend实例中文教程(4) - 布局控件快速入门Canvas
- Expression Blend实例中文教程(5) - 布局控件快速入门StackPanel,ScrollViewer和Border
- Eclipse快速上手Hibernate之入门实例(一)
- Expression Blend实例中文教程(7) - 动画基础快速入门Animation
- Expression Blend实例中文教程(8) - 动画设计快速入门StoryBoard
- Expression Blend实例中文教程(6) - 项目控件和用户交互控件快速入门
- Expression Blend实例中文教程(10) - 缓冲动画快速入门Easing
- logstash快速入门 (这篇文章很不错 ) | 两种方式往logstash传输数据实例:Apache 日志(从文件获取)、Syslog方式
- vue快速入门的三个小实例
- Zookeeper深入浅出之快速入门实例
- Spring FrameWork4(MVC + IOC)快速入门实例
- Expression Blend实例中文教程(13) - 控件模板快速入门ControlTemplates
- 实体框架(Entity Framework)快速入门--实例篇