WebCollector入门教程

1.将WebCollector导入工程：

    进入WebCollector主页：https://github.com/CrawlScript/WebCollector

    下载：webcollector-版本号-bin.zip

    将解压后文件夹中的所有jar包添加到工程既可。

2.用WebCollector爬取整个网站：

   爬取新华网整站内容：

 public class Demo {

     public static void main(String[] args) throws IOException {
         BreadthCrawler crawler = new BreadthCrawler();
         crawler.addSeed("http://www.xinhuanet.com/");
         crawler.addRegex("http://www.xinhuanet.com/.*");
         /*网页、图片、文件被存储在download文件夹中*/
         crawler.setRoot("download");
         /*进行深度为5的爬取*/
         crawler.start(5);
     }
 }

3.用WebCollector进行精准抽取：

爬取《知乎》并进行问题精准抽取的爬虫（JAVA）:

 public class ZhihuCrawler extends BreadthCrawler{

     /*visit函数定制访问每个页面时所需进行的操作*/
     @Override
     public void visit(Page page) {
         String question_regex="^http://www.zhihu.com/question/[0-9]+";
         if(Pattern.matches(question_regex, page.getUrl())){
             System.out.println("正在抽取"+page.getUrl());
             /*抽取标题*/
             String title=page.getDoc().title();
             System.out.println(title);
             /*抽取提问内容*/
             String question=page.getDoc().select("div[id=zh-question-detail]").text();
             System.out.println(question);

         }
     }

     /*启动爬虫*/
     public static void main(String[] args) throws IOException{
         ZhihuCrawler crawler=new ZhihuCrawler();
         crawler.addSeed("http://www.zhihu.com/question/21003086");
         crawler.addRegex("http://www.zhihu.com/.*");
         crawler.start(5);
     }


 }

4.用WebCollector爬取指定URL列表的网页（不需要递归爬取）。

 public class Demo2 {

     public static void main(String[] args) throws IOException {
         /*设置递归爬取时每个页面产生的URL数量，这里不需要递归爬取*/
         Config.topN=0;
         BreadthCrawler crawler = new BreadthCrawler();
         crawler.addSeed("http://www.xinhuanet.com/");
         crawler.addSeed("http://www.sina.com.cn/");
         crawler.addRegex(".*");
         /*网页、图片、文件被存储在download文件夹中*/
         crawler.setRoot("download");
         /*进行深度为1的爬取*/
         crawler.start(1);
     }
 }

5.用WebCollector爬取站内以及外站内容：

爬取新华网以及新华网内所有外链的内容，以及外链的外链.......

 public class Demo3 {

     public static void main(String[] args) throws IOException {
         BreadthCrawler crawler = new BreadthCrawler();
         crawler.addSeed("http://www.xinhuanet.com/");
         /*网页、图片、文件被存储在download文件夹中*/
         crawler.setRoot("download");
         /*指定对爬取URL的限制（URL正则)*/
         crawler.addRegex(".*");
         /*进行深度为5的爬取*/
         crawler.start(5);
     }
 }

6.高级参数配置：

 public class Demo4 {

     public static void main(String[] args) throws IOException {
         BreadthCrawler crawler = new BreadthCrawler();
         crawler.addSeed("http://www.xinhuanet.com/");

         /*URL信息存放路径*/
         crawler.setCrawl_path("crawl");

         /*网页、图片、文件被存储在download文件夹中*/
         crawler.setRoot("download");

         /*正规则，待爬取网页至少符合一条正规则，才可以爬取*/
         crawler.addRegex("+^http://www.xinhuanet.com/");
         crawler.addRegex("+^http://news.xinhuanet.com.*");

         /*负规则，只要符合一条负规则，跳过，不爬取*/
         crawler.addRegex("-^http://news.xinhuanet.com/edu.*");

         /*线程数*/
         crawler.setThreads(30);

         /*设置User-Agent*/
         crawler.setUseragent("Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:26.0) Gecko/20100101 Firefox/26.0");

         /*设置cookie*/
         crawler.setCookie("你的Cookie");

         /*设置是否支持断点爬取*/
         crawler.setResumable(false);

         /*进行深度为5的爬取*/
         crawler.start(5);
     }
 }