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; 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) .type("searchEngine") .meta("keyword", keyword) .meta("pageNum", pageNum) .meta("depth", 1); addSeed(datum); } } @Override public void visit(Page page, CrawlDatums next) { // 如果遇到301或者302,手动跳转(将任务加到next中) // 并且复制任务的meta if(page.code() == 301 || page.code() == 302){ next.addAndReturn(page.location()).meta(page.meta()); return; } String keyword = page.meta("keyword"); int pageNum = page.metaAsInt("pageNum"); int depth = page.metaAsInt("depth"); if (page.matchType("searchEngine")) { 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_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,type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 */ String href = result.attr("abs:href"); next.addAndReturn(href) .type("outlink") .meta("keyword", keyword) .meta("pageNum", pageNum) .meta("rank", rank); } } else if (page.matchType("outlink")) { int rank = page.metaAsInt("rank"); String referer=page.meta("referer"); String line = String.format("第%s页第%s个结果:%s(%s字节)\tdepth=%s\treferer=%s", pageNum, rank + 1, page.doc().title(),page.content().length,depth, referer); System.out.println(line); } /* 在经典爬虫中,每个网页都有一个referer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referer值都是新浪首页。WebCollector不直接保存referer值, 但我们可以通过下面的方式,将referer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。 */ next.meta("depth", depth + 1).meta("referer", page.url()); } 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 * @param keyword 关键词 * @param pageNum 页号 * @return 对应的URL * @throws Exception 异常 */ 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); } }

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