关于crawler4j 爬虫

最近有需要用到爬虫程序，翻看了一下互联网上关于爬虫的一些介绍及一些开源的网络爬虫：

http://www.open-open.com/68.htm

发现用nutch的人比较多，随即拿来使用。之后觉得nutch太过复杂，适合大规模海量数据的爬取，我目前还没有这种需求，留着以后再做研究！

逐个看了看其它几个小的开源爬虫，发现太老不更新就是文档太少。

crawler4j是一个短小精悍的爬虫，且非常容易使用，项目主页：https://code.google.com/p/crawler4j/。当然，code.google.com经常会被间歇性的墙掉，要有点耐心！

用Git把源码下下来导入eclipse，JDK必需是1.7，否则报new ArrayList<>()不支持错误。

爬虫业务逻辑在src/main/java下，可直接运行src/test/java下edu.uci.ics.crawler4j.examples.basic.BasicCrawlController

很简洁，总共就35个类，架构也很清晰：

edu.uci.ics.crawler4j.crawler 基本逻辑和配置

edu.uci.ics.crawler4j.fetcher 爬取

edu.uci.ics.crawler4j.frontier URL队列相关

edu.uci.ics.crawler4j.parser 对爬取结果进行解析

edu.uci.ics.crawler4j.robotstxt 检查robots.txt是否存在

edu.uci.ics.crawler4j.url URL相关，主要是WebURL

edu.uci.ics.crawler4j.util 是工具类

提前说一下crawler4j中文乱码问题，爬取暂时没有发现有乱码问题，解析时出现乱码。原因是tika在解析HTML时会已meta charset编码做为默认编码，当该编码与实际编码不一致时则会出现乱码，这里将meta charset改为正确的编码，在Page.load中修改如下：

    /**
     * Loads the content of this page from a fetched
     * HttpEntity.
     */
 public void load(HttpEntity entity) throws Exception {

     contentType = null;
     Header type = entity.getContentType();
     if (type != null) {
         contentType = type.getValue();
     }

     contentEncoding = null;
     Header encoding = entity.getContentEncoding();
     if (encoding != null) {
         contentEncoding = encoding.getValue();
     }

     Charset charset = ContentType.getOrDefault(entity).getCharset();
     if (charset != null) {
         contentCharset = charset.displayName();
     }

     contentData = EntityUtils.toByteArray(entity);
     //中文乱码
     //if(contentCharset != null) contentData = new String(contentData, contentCharset).getBytes();
     if(charset != null) {
         String data = new String(contentData,contentCharset);
         data = data.replaceFirst(", "+contentCharset);
         contentData = data.getBytes(contentCharset);
     }