Java开源爬虫框架WebCollector教程——爬取搜索引擎

本教程演示了WebCollector 2.20的新特性。

下载

WebCollector最新jar包可在WebCollector github主页下载。

MetaData:

MetaData是每个爬取任务的附加信息,灵活应用MetaData可以大大简化爬虫的设计。
例如Post请求往往需要包含参数,而传统爬虫单纯使用URL来保存参数的方法不适合复杂的POST请求。

一些爬取任务希望获取遍历树的深度信息,这也可以通过MetaData轻松实现,
可参见教程DemoDepthCrawler

RamCrawler:

RamCrawler不需要依赖文件系统或数据库,适合一次性的爬取任务。
如果希望编写长期任务,请使用BreadthCrawler。

本教程实现了一个爬取Bing搜索前n页结果的爬虫,爬虫的结果直接输出到标准输出流
如果希望将爬取结果输出到ArrayList等数据结构中,在类中定义一个ArrayList的成员变量,
输出时将结果插入ArrayList即可,这里需要注意的是爬虫是多线程的,而ArrayList不是线程
安全的,因此在执行插入操作时,可使用下面的方式上锁保证安全。

    synchronized(this){ 
        //插入操作
    }

本教程中对Bing搜索的解析规则可能会随Bing搜索的改版而失效。

import cn.edu.hfut.dmic.webcollector.model.CrawlDatum;
import cn.edu.hfut.dmic.webcollector.model.CrawlDatums;
import cn.edu.hfut.dmic.webcollector.model.Page;
import cn.edu.hfut.dmic.webcollector.plugin.ram.RamCrawler;
import java.net.URLEncoder;
import org.jsoup.select.Elements;
import org.jsoup.nodes.Element;

/**
* @author hu
*/
public class DemoBingCrawler extends RamCrawler {

    public DemoBingCrawler(String keyword, int maxPageNum) throws Exception {
        for (int pageNum = 1; pageNum <= maxPageNum; pageNum++) {
            String url = createBingUrl(keyword, pageNum);
            CrawlDatum datum = new CrawlDatum(url)
                    .putMetaData("keyword", keyword)
                    .putMetaData("pageNum", pageNum + "")
                    .putMetaData("pageType", "searchEngine")
                    .putMetaData("depth", "1");
            addSeed(datum);
        }
    }

    @Override
    public void visit(Page page, CrawlDatums next) {

        String keyword = page.getMetaData("keyword");
        String pageType = page.getMetaData("pageType");
        int depth=Integer.valueOf(page.getMetaData("depth"));
        if (pageType.equals("searchEngine")) {
            int pageNum = Integer.valueOf(page.getMetaData("pageNum"));
            System.out.println("成功抓取关键词" + keyword + "的第" + pageNum + "页搜索结果");
            Elements results = page.select("li.b_ans h2>a,li.b_algo h2>a");
            for (int rank = 0; rank < results.size(); rank++) {
                Element result = results.get(rank);

                /*
                我们希望继续爬取每条搜索结果指向的网页,这里统称为外链。
                我们希望在访问外链时仍然能够知道外链处于搜索引擎的第几页、第几条,
                所以将页号和排序信息放入后续的CrawlDatum中,为了能够区分外链和
                搜索引擎结果页面,我们将其pageType设置为outlink,这里的值完全由
                用户定义,可以设置一个任意的值

                在经典爬虫中,每个网页都有一个refer信息,表示当前网页的链接来源。
                例如我们首先访问新浪首页,然后从新浪首页中解析出了新的新闻链接,
                则这些网页的refer值都是新浪首页。WebCollector不直接保存refer值,
                但我们可以通过下面的方式,将refer信息保存在metaData中,达到同样的效果。
                经典爬虫中锚文本的存储也可以通过下面方式实现。

                在一些需求中,希望得到当前页面在遍历树中的深度,利用metaData很容易实现
                这个功能,在将CrawlDatum添加到next中时,将其depth设置为当前访问页面
                的depth+1即可。
                */
                CrawlDatum datum = new CrawlDatum(result.attr("abs:href"))
                        .putMetaData("keyword", keyword)
                        .putMetaData("pageNum", pageNum + "")
                        .putMetaData("rank", rank + "")
                        .putMetaData("pageType", "outlink")
                        .putMetaData("depth", (depth+1)+"")
                        .putMetaData("refer", page.getUrl());
                next.add(datum);
            }

        } else if (pageType.equals("outlink")) {
            int pageNum = Integer.valueOf(page.getMetaData("pageNum"));
            int rank = Integer.valueOf(page.getMetaData("rank"));
            String refer=page.getMetaData("refer");

            String line = String.format("第%s页第%s个结果:%s(%s字节)\tdepth=%s\trefer=%s",
                    pageNum, rank + 1, page.getDoc().title(),page.getContent().length,depth,refer);
            System.out.println(line);

        }
    }

    public static void main(String[] args) throws Exception {


        DemoBingCrawler crawler = new DemoBingCrawler("网络爬虫", 3);
        crawler.start();

    }

    /**
    * 根据关键词和页号拼接Bing搜索对应的URL
    */
    public static String createBingUrl(String keyword, int pageNum) throws Exception {
        int first = pageNum * 10 - 9;
        keyword = URLEncoder.encode(keyword, "utf-8");
        return String.format("http://cn.bing.com/search?q=%s&first=%s", keyword, first);
    }

}

通过捐款支持WebCollector

维护WebCollector及教程需要花费较大的时间和精力,如果你喜欢WebCollector的话,欢迎通过捐款的方式,支持开发者的工作,非常感谢!

你可以使用支付宝钱包扫描下方的二维码进行捐款, 或者通过向支付宝帐号 hujunxianligong@126.com转帐进行捐款。

You may also like...

发表评论

电子邮件地址不会被公开。 必填项已用*标注

推荐文章
加QQ群下载完整Eclipse项目

WebCollector网络爬虫:250108697(已满)

WebCollector网络爬虫2群:345054141

热门