crawler4j：轻量级多线程网络爬虫

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

<artifactId>crawler4j</artifactId>

</dependency>

不使用Maven

crawler4j的JAR包可以从releases page和Maven Central下载。需要注意crawler4j包有几个要依赖的包。在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

1	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

1	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

1	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

1	crawlConfig.setPolitenessDelay(politenessDelay);

代理

使用下代码配置爬虫通过代理：

Java

1 2	crawlConfig.setProxyHost("proxyserver.example.com"); crawlConfig.setProxyPort(8080);

如果你的代理需要认证：

Java

1 2	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

1	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。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

1	crawlConfig.setUserAgentString(userAgentString);

许可

根据 Apache License 2.0发布

开源地址：https://github.com/yasserg/crawler4j