轻量级多线程网络爬虫

叁歲伎倆 2022-08-19 11:24 200阅读 0赞

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。

## 安装 ##

### 使用Maven ###

使用最新版本的crawler4j，在pom.xml中添加如下片段：

XHTML

<dependency>
        <groupId>edu.uci.ics</groupId>
        <artifactId>crawler4j</artifactId>
        <version>4.1</version>
    </dependency>

### 不使用Maven ###

crawler4j的JAR包可以从 [ releases page][releases page] 和 [ Maven Central][Maven Central] 下载。 需要注意crawler4j包有几个要依赖的包。在 [ releases page][releases page] 下的crawler4j-X.Y-with-dependencies.jar包含了crawler4j的所有的依赖包。可以下载并添加到你的classpath中。

## 快速开始 ##

使用crawler4j需要创建一个继承WebCrawler的爬虫类。下面是个简单的例子：

Java

public class MyCrawler extends WebCrawler { 
    
        private final static Pattern FILTERS = Pattern.compile(".*(\\.(css|js|gif|jpg"
                                                               + "|png|mp3|mp3|zip|gz))$");
    
        /** * This method receives two parameters. The first parameter is the page * in which we have discovered this new url and the second parameter is * the new url. You should implement this function to specify whether * the given url should be crawled or not (based on your crawling logic). * In this example, we are instructing the crawler to ignore urls that * have css, js, git, ... extensions and to only accept urls that start * with "http://www.ics.uci.edu/". In this case, we didn't need the * referringPage parameter to make the decision. */
         @Override
         public boolean shouldVisit(Page referringPage, WebURL url) {
             String href = url.getURL().toLowerCase();
             return !FILTERS.matcher(href).matches()
                    && href.startsWith("http://www.ics.uci.edu/");
         }
    
         /** * This function is called when a page is fetched and ready * to be processed by your program. */
         @Override
         public void visit(Page page) {
             String url = page.getWebURL().getURL();
             System.out.println("URL: " + url);
    
             if (page.getParseData() instanceof HtmlParseData) {
                 HtmlParseData htmlParseData = (HtmlParseData) page.getParseData();
                 String text = htmlParseData.getText();
                 String html = htmlParseData.getHtml();
                 Set<WebURL> links = htmlParseData.getOutgoingUrls();
    
                 System.out.println("Text length: " + text.length());
                 System.out.println("Html length: " + html.length());
                 System.out.println("Number of outgoing links: " + links.size());
             }
        }
    }

上面的例子覆盖了两个主要方法：

*  shouldVisit：这个方法决定了要抓取的URL及其内容，例子中只允许抓取“www.ics.uci.edu”这个域的页面，不允许.css、.js和多媒体等文件。
 *  visit：当URL下载完成会调用这个方法。你可以轻松获取下载页面的url, 文本, 链接, html,和唯一id等内容。

实现控制器类以制定抓取的种子（seed）、中间数据存储的文件夹、并发线程的数目：

Java

public class Controller { 
        public static void main(String[] args) throws Exception {
            String crawlStorageFolder = "/data/crawl/root";
            int numberOfCrawlers = 7;
    
            CrawlConfig config = new CrawlConfig();
            config.setCrawlStorageFolder(crawlStorageFolder);
    
            /* * Instantiate the controller for this crawl. */
            PageFetcher pageFetcher = new PageFetcher(config);
            RobotstxtConfig robotstxtConfig = new RobotstxtConfig();
            RobotstxtServer robotstxtServer = new RobotstxtServer(robotstxtConfig, pageFetcher);
            CrawlController controller = new CrawlController(config, pageFetcher, robotstxtServer);
    
            /* * For each crawl, you need to add some seed urls. These are the first * URLs that are fetched and then the crawler starts following links * which are found in these pages */
            controller.addSeed("http://www.ics.uci.edu/~lopes/");
            controller.addSeed("http://www.ics.uci.edu/~welling/");
            controller.addSeed("http://www.ics.uci.edu/");
    
            /* * Start the crawl. This is a blocking operation, meaning that your code * will reach the line after this only when crawling is finished. */
            controller.start(MyCrawler.class, numberOfCrawlers);
        }
    }

## 例子介绍 ##

*  [Basic crawler][] ：上述例子的全部源码及细节。
 *  [Image crawler][] ：一个简单的图片爬虫：从指定域下载图片并存在指定文件夹。这个例子演示了怎样用crawler4j抓取二进制内容。
 *  [Collecting data from threads][] ：这个例子演示了控制器怎样从抓取线程中收集数据/统计
 *  [Multiple crawlers][] ：这个例子演示了如何同时运行两个不同的爬虫。
 *  [Shutdown crawling][] ：这个例子演示了可以通过向控制器发送“shutdown”命令优雅的关闭抓取过程。

## 配置介绍 ##

控制器类必须传一个类型为CrawlConfig的参数，用于配置crawler4j。下面描述了一些关于配置的细节。

### 抓取深度 ###

默认情况下没有抓取深度的限制。可以通过配置来限制深度，比如，你有个种子页面A连接到B，B又连接到C，C又连接到D。结构如下：

Java

A --> B --> C --> D

A是种子页面深度为0，B为1，C、D以此类推。如：当设置抓取深度是2是，就不会抓取页面D。抓取最大深度通过以下代码配置：

Java

crawlConfig.setMaxDepthOfCrawling(maxDepthOfCrawling);

### 页面抓取的最大数量 ###

默认情况下没有抓取数量限制，可以通过以下代码配置：

Java

crawlConfig.setMaxPagesToFetch(maxPagesToFetch);

### 其他限制 ###

crawler4j是高效的，有着极快的抓取能力（比如：每秒可以抓取200个Wikipedia页面）。然而，这会给服务器带来很大的负荷（而服务器可能会阻断你的请求！）。所以，从1.3版开始，默认情况下，crawler4j每次请求前等待200毫秒。但是这个参数可以修改：

Java

crawlConfig.setPolitenessDelay(politenessDelay);

### 代理 ###

使用下代码配置爬虫通过代理：

Java

crawlConfig.setProxyHost("proxyserver.example.com");
    crawlConfig.setProxyPort(8080);

如果你的代理需要认证：

Java

crawlConfig.setProxyUsername(username);
    crawlConfig.getProxyPassword(password);

### 抓取恢复 ###

有时爬虫需要运行很长时间，但中途可能意外终止了。这种情况下，可以通过以下配置恢复停止/崩溃的爬虫：

Java

crawlConfig.setResumableCrawling(true);

然而，这可能对抓取速度稍有影响。

### User-agent字符串 ###

User-agent字符串用于向web服务器表明你的爬虫。User-agent [ 详解][Link 1] 。 默认情况下crawler4j使用如下字符串： “crawler4j (https://github.com/yasserg/crawler4j/)” 你可以通过配置修改：

Java

crawlConfig.setUserAgentString(userAgentString);

[releases page]: https://github.com/yasserg/crawler4j/releases
[Maven Central]: http://search.maven.org/#search%7Cgav%7C1%7Cg%3A%22edu.uci.ics%22%20AND%20a%3A%22crawler4j%22
[Basic crawler]: https://github.com/yasserg/crawler4j/tree/master/src/test/java/edu/uci/ics/crawler4j/examples/basic
[Image crawler]: https://github.com/yasserg/crawler4j/tree/master/src/test/java/edu/uci/ics/crawler4j/examples/imagecrawler
[Collecting data from threads]: https://github.com/yasserg/crawler4j/tree/master/src/test/java/edu/uci/ics/crawler4j/examples/localdata
[Multiple crawlers]: https://github.com/yasserg/crawler4j/tree/master/src/test/java/edu/uci/ics/crawler4j/examples/multiple
[Shutdown crawling]: https://github.com/yasserg/crawler4j/tree/master/src/test/java/edu/uci/ics/crawler4j/examples/shutdown
[Link 1]: https://zh.wikipedia.org/wiki/%E7%94%A8%E6%88%B7%E4%BB%A3%E7%90%86