crawler4j爬虫入门

电玩女神 2022-07-14 12:09 244阅读 0赞

一、nutch和crawler4

nutch的人比较多，适合大规模海量数据的爬取。 
    crawler4j是一个短小精悍的爬虫。

二、下载crawler4j源码

项目主页：https://code.google.com/p/crawler4j/。 
    用Git把源码下下来导入eclipse 
    爬虫业务逻辑在src/main/java下，可直接运行src/test/java下edu.uci.ics.crawler4j.examples.basic.BasicCrawlController

架构很清晰：

edu.uci.ics.crawler4j.crawler 基本逻辑和配置 
    edu.uci.ics.crawler4j.fetcher 爬取 
    edu.uci.ics.crawler4j.frontier URL队列相关 
    edu.uci.ics.crawler4j.parser 对爬取结果进行解析 
    edu.uci.ics.crawler4j.robotstxt 检查robots.txt是否存在 
    edu.uci.ics.crawler4j.url URL相关，主要是WebURL 
    edu.uci.ics.crawler4j.util 是工具类

三、源码分析

Crawler包：
                Crawler.CrawController 控制爬虫，先addseed，再开启多个爬虫，并不断监听各个爬虫存活状态。 
    Crawler.WebCrawler 爬虫 
                1. Run()：不断循环，每次从Frontier拿50条url，对每条url，processPage(curUrl)。 
    
                2. processPage(curURL)：用PageFetcher.fetch爬取网页，如果curURL有redirect，则将redirect url的url加入Frontier，以后再调度；如果爬取正常，则先进行parse，生成Page，将新urls降入Frontier(新加入url的深度此时确定)，调用visit(Page){用户自定义操作}。 
    
    Crawler.Configurations 读取crawler4j.properties中的信息 
    Crawler.PageFetcher 启动IdleConnectionMonitorThread，用fetch(Page, ignoreIfBinary)，爬取单个Page页面。是一个static类。 
    
    
    Crawler.Page 一个页面 
    Crawler.PageFetchStatus 单个页面爬取的配置，如返回爬取状态数字所代表的含义等等。 
    Crawler.HTMLParser 对HTML源码进行parse，存入Page中。 
    
    Crawler.LinkExtractor 抽取出一个HTML页面中包含的所有link。
    
    Crawler.IdleConnectionMonitorThread 用来监听连接器（用来发送get请求，获取页面），其connMgr则负责HTML请求的发送。 
    
    
    url包 ：
            url.WebURL 代表一条url，内含docid, depth, url值 
            url.URLCanonicalizer 将url进行normalize 
    
    
    Frontier包 ：
    Frontier.Frontier 
            Init() 如果resumable，则从env所指home中读取已处理过得urls，scheduleAll加入调度workQueue中。 
    Frontier.workQueues 要处理的页面集，如果resumable，在构造时会打开对应env中的database(PendingURLsDB)，获取上一次遗留的未处理的urls。 
    Frontier.inprocessPages 当前正在处理的页面集，继承workQueues，存入InProcessPagesDB数据库。 
    Frontier.DocIDServer 对应数据库DocIDs，记录已经见过的页面url。 
    处理流程：newurl--->workQueues--->inprovessPages--->delete 
    
    
    Robotstxt包，用来判断url是否被允许。 
    
    
    Util包，用来提供一些小工具。

注意点：  
1. seed页面深度为0。  
2. url去重利用的是DocIDServer.newdocid(url)，如果该值大于0，则表示该url以前见过。通过这个机制，所有以前见过的页面都可以被记录识别。  
3. 当设定resumable后，程序跑完后就会把PendingURLsDB和DocIDs保存下来。  
4. 如果不设定resumable，在运行程序前，会把env对应的home目录清空。