Java开源爬虫框架crawler4j

　花了两个小时把Java开源爬虫框架crawler4j文档翻译了一下，因为这几天一直在学习Java爬虫方面的知识，今天上课时突然感觉全英文可能会阻碍很多人学习的动力，刚好自己又正在接触这个爬虫框架，所以决定翻译一下。六级540多分的水平，大家见谅 。每句话都有根据自己的理解来翻译。特别是快速开始那一部分的源代码。这里是：
github项目地址

crawler4j

crawler4j是一个开源的Java抓取Web爬虫，它提供了一个简单的抓取Web的界面。 使用它，你可以在几分钟内设置一个多线程的网络爬虫。

内容列表

• 下载安装
• 快速开始
• 使用工厂
• 更多实例
• 配置详情
• License

下载安装

使用Maven

要使用最新版本的crawler4j，请在您的pom.xml中使用以下代码片段

    <dependency>
        <groupId>edu.uci.ics</groupId>
        <artifactId>crawler4j</artifactId>
        <version>4.3</version>
    </dependency>

快照

您可以添加以下内容以使用下一个快照发行版

    <repositories>
        <repository>
            <id>onebeartoe</id>
            <name>onebeartoe</name>
            <url>https://repository-onebeartoe.forge.cloudbees.com/snapshot/</url>
        </repository>
    </repositories>

    <dependencies>
        <dependency>
            <groupId>edu.uci.ics</groupId>
            <artifactId>crawler4j</artifactId>
            <version>4.4-SNAPSHOT</version>
        </dependency>
    </dependencies>

如果没有Maven

从4.3版本开始如果你需要一个包含所有依赖的东西的jar包。你需要自己去构建它。克隆repo并且运行

    $ mvn package -Pfatjar

你会发现在 target/ 文件夹有一个叫做 crawler4j-X.Y-with-dependencies.jar.

使用Gradle

请在build.gradle文件中包含以下依赖项以使用crawler4j

compile group: 'edu.uci.ics', name: 'crawler4j', version: '4.3'

此外，在build.gradle中添加以下存储库url，以获得依赖关系[sleepycat]（https://mvnrepository.com/artifact/com.sleepycat/je/5.0.84）

    maven {
            url "https://repo.boundlessgeo.com/main/"
        }

快速开始

您需要创建一个扩展WebCrawler的爬虫类。 该类决定应该抓取哪些URL并处理下载的页面。 以下是一个示例实现：

public class MyCrawler extends WebCrawler {
    /**
     * 正则表达式匹配指定的后缀文件
     */
    private final static Pattern FILTERS = Pattern.compile(".*(\.(css|js|gif|jpg" + "|png|mp3|mp4|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
     * 在这个例子中，我们指定爬虫忽略具有css，js，git，...扩展名的url，只接受以“http://www.ics.uci.edu/”开头的url。
     * 在这种情况下，我们不需要referringPage参数来做出决定。
     */
    @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://www.ics.uci.edu/");// 只接受以“http://www.ics.uci.edu/”开头的url
    }

    /**
     * 当一个页面被提取并准备好被你的程序处理时，这个函数被调用。
     */
    @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("纯文本长度: " + text.length());
            System.out.println("html长度: " + html.length());
            System.out.println("链接个数 " + links.size());
        }
    }
}

从上面的代码可以看出，有两个主要的方法应该被覆盖

• shouldVisit: 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
• visit: 该功能在URL内容下载成功后调用。
  您可以轻松获取下载页面的网址，文本，链接，html和唯一ID。

您还应该实现一个控制器类，指定抓取的种子，抓取数据应该存储在哪个文件夹以及并发线程的数量：

public class Controller {
    public static void main(String[] args) throws Exception {
        String crawlStorageFolder = "E:/crawler";// 定义爬虫数据存储位置
        int numberOfCrawlers = 7;// 定义了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
        // 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);

        /*
         * 对于每次抓取，您需要添加一些种子网址。 这些是抓取的第一个URL，然后抓取工具开始跟随这些页面中的链接
         */
        controller.addSeed("http://www.ics.uci.edu/~lopes/");
        controller.addSeed("http://www.ics.uci.edu/~welling/");
        controller.addSeed("http://www.ics.uci.edu/");

        /**
         * 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);
    }
}

结果(eclipse+Marven测试)：

使用工厂

使用工厂可以方便地将crawler4j集成到IoC环境中（如Spring，Guice）或者将信息或协作者传递给每个“WebCrawler”实例。

public class CsiCrawlerCrawlerControllerFactory implements CrawlController.WebCrawlerFactory {

    Map<String, String> metadata;
    SqlRepository repository;

    public CsiCrawlerCrawlerControllerFactory(Map<String, String> metadata, SqlRepository repository) {
        this.metadata = metadata;
        this.repository = repository;
    }

    @Override
    public WebCrawler newInstance() {
        return new MyCrawler(metadata, repository);
    }
}

要使用工厂只需要调用CrawlController中的正确方法（如果你在Spring或Guice中，可能会想使用startNonBlocking）：

            MyCrawlerFactory factory = new MyCrawlerFactory(metadata, repository);
            controller.startNonBlocking(factory, numberOfCrawlers);

更多例子

• Basic crawler: 上面的例子的完整的源代码更多的细节。
• Image crawler: 一个简单的图像爬虫，从爬取网站下载图像内容，并将其存储在一个文件夹中。本示例演示如何使用crawler4j获取二进制内容。
• Collecting data from threads:此示例演示了控制器如何从爬取线程收集数据/统计信息。
• Multiple crawlers:这是一个示例，显示了两个不同的抓取工具如何同时运行。 例如，您可能希望将抓取划分到不同的域中，然后为每个组采用不同的抓取策略。 每个抓取控制器可以有自己的配置。
• Shutdown crawling:
  这个例子显示通过向控制器发送’shutdown’命令可以正常终止爬行。
• Postgres/JDBC integration: 这个实例展示了了如何将抓取的内容保存到Postgres数据库（或任何其他JDBC存储库）中。

配置详情

控制器类具有类型为CrawlConfig的必需参数
这个类的实例可以用来配置crawler4j。以下部分描述配置的一些细节。

爬取深度

默认情况下，爬取深度没有限制。 但是你可以限制爬取的深度。 例如，假设你有一个种子页面“A”，链接到“B”，链接到“C”，链接到“D”。 所以，我们有以下链接结构：
A -> B -> C -> D

因为“A”是一个种子页面，它的深度为0.“B”的深度为1，依此类推。 您可以设置crawler4j抓取的网页的深度限制。 例如，如果将此限制设置为2，则不会抓取页面“D”。 要设置您可以使用的最大深度：

crawlConfig.setMaxDepthOfCrawling(maxDepthOfCrawling);

启用SSL

简单地启用SSL：

CrawlConfig config = new CrawlConfig();

config.setIncludeHttpsPages(true);

要抓取的最大页数

虽然默认情况下，要抓取的页面数量没有限制，但您可以对此设置一个限制：

crawlConfig.setMaxPagesToFetch(maxPagesToFetch);

启用二进制内容爬取

默认情况下，抓取二进制内容（即图像，音频等）被关闭。要启用才能抓取这些文件：

crawlConfig.setIncludeBinaryContentInCrawling(true);

看一个例子 here 来获取更多细节。

文明性问题（礼貌的爬取）

crawler4j的设计非常高效，能够非常快地抓取域名
（例如，它已经能够每秒抓取200个维基百科页面）。 不过现在是反对爬取网站的，因为这样在服务器上给他们承受巨大的负载（他们可能会阻止你！），
从版本1.3开始，默认情况下，crawler4j会在请求之间等待至少200毫秒。
不过，这个参数可以调整：

crawlConfig.setPolitenessDelay(politenessDelay);

代理

你的爬取应该在代理之后运行吗？ 如果是这样，你可以使用：

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

如果你的代理也需要认证：

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

可恢复的爬取

有时您需要长时间运行爬虫。 搜索器可能意外终止。 在这种情况下，可能需要恢复抓取。您可以使用以下设置恢复以前停止/崩溃的抓取：

crawlConfig.setResumableCrawling(true);

但是，您应该注意，它可能会使爬行速度稍慢。

User agent string

用户代理字符串用于将您的搜寻器表示为Web服务器。
查看 here获取更过详细内容.默认情况下，crawler4j使用以下用户代理字符串：

"crawler4j (https://github.com/yasserg/crawler4j/)"

但是，您可以覆盖它：

crawlConfig.setUserAgentString(userAgentString);

License

Copyright (c) 2010-2017 Yasser Ganjisaffar

Published under Apache License 2.0, see LICENSE