java版web搜索爬虫系统,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);
}
}