snoics-reptile 网页爬虫2.0

作者：	施伟
EMail：	[email protected]
主页：	http://www.blogjava.net/snoics

FAQ

1、snoics-reptile是什么？

是用纯Java开发的，用来进行网站镜像抓取的工具，可以使用
配制文件中提供的URL入口，把这个网站所有的能用浏览器通过
GET的方式获取到的资源全部抓取到本地，包括网页和各种类型
的文件，如：图片、flash、mp3、zip、rar、exe等文件。可以将整
个网站完整地下传至硬盘内，并能保持原有的网站结构精确不变。
只需要把抓取下来的网站放到web服务器(如：Apache)中，就可以
实现完整的网站镜像。

2、现在已经有了其他的类似的软件，为什么还要开发snoics-reptile？

因为有些在抓取的过程中经常会出现错误的文件，而且对很多使用
javascript控制的URL没有办法正确的解析，而snoics-reptile通过对外提供
接口和配置文件的形式，对特殊的URL，可以通过自由的扩展对外提供
的接口，并通过配置文件注入的方式，基本上能实现对所有的网页都
正确的解析和抓取。

3、如何使用？

    a、配置 bin\snoics-configpath.xml 文件

        将配置文件中的path节点的值改为conf文件夹在系统中的绝对路径，
        如: c:\snoics-reptile\conf

    b、配置 conf\snoics-systemconfig.xml 文件

        其中parameters节点中的配置为对需要抓取的网站的参数的配置，

        以下是各个参数的说明：

        1、websitename：

        站点的名称(不能为空，由字母和数字组成)

        2、charsetName：

        该站点使用的字符集类型

        3、website：

        将被抓取的站点的域名

        4、startpage：

        抓取的起始页面

        5、url：

        该站点中将被抓取的部分(如果留空则为整个站点，可以有多个URL，
         每个URL之间使用";"隔开)

        6、remoteurlflag：

        代表远程URL的标志，没有特殊情况请不要修改此处，使用默认值
(多个之间使用";"隔开)

        7、forbidurl：

        该站点中不被抓取的部分(多个之间使用";"隔开)

        8、cachefile：

        该站点使用的缓存文件，如果缓存文件不存在则自动创建一个新的，
如果已经存在，则会载入文件中保存的信息

        9、filerootpath：

        抓取下的文件的保存路径(必须是系统中的绝对路径)

        10、indexpage：

        将被保存成index.html文件名的URL类型(多个之间使用";"隔开)

        11、filenamelength：

        页面保存到本地时，随机生成的文件名的长度

        12、cacheunitsize：

        一个cache单元的大小

        13、reptile-downloadfiletype：

        将被抓取到本地的文件类型(多个之间使用";"隔开)

        14、reptile-undownloadfiletype：

        页面被保存到本地时，该种类型的文件的URL将被改成远程的URL
地址，如果这种类型出现在reptile-downloadfiletype中时，则文件将被抓取
到本地，而URL也将改成本地的URL(多个之间使用";"隔开)

c、在参数配置好之后，执行bin/run.bat文件

4、如何扩展接口？

扩展接口使用的配置文件是：conf/snoics-reptile-urlregex.xml

    首先加入一段如下的配置,其中正则表达式部分应该特定的需要自己给出，
    reptile-replace-string用来代替URL出现的位置，在程序执行的过程中，该部分
    会被自动替换。
    <bean id="ahrefRegexUrl" class="com.snoics.reptile.regex.url.impl.UrlRegex" singleton="false">
        <property name="regexUrl">
            
            <value><![CDATA[<[^!<>]*\shref\s*=\s*["']?[^<>]*["'\s][^<>]*>]]></value>
        </property>
        <property name="replaceRegexUrl">
            
            <value><![CDATA[<[^!<>]*\shref\s*=\s*["']?reptile-replace-string["'\s][^<>]*>]]></value>
        </property>
        <property name="getRegexUrl">
            
            <ref bean="ahrefGetRegexUrl"/>
        </property>
    </bean>


    其中ahrefGetRegexUrl是实现了com.snoics.reptile.regex.url.IGetUrlRegex
    接口的类，用来从可能包含了URL的字符串里面提取其中包含的URL

    其次加入如下的配置：

     <bean id="ahrefGetRegexUrl" class="com.snoics.reptile.regex.url.impl.AhrefGetRegexUrl" singleton="false">
         <property name="regexString">
              
               <value><![CDATA[href\s*=\s*["']?[^\s"]+["'\s]\s*]]></value>
         </property>
         <property name="unIncludeRegexString">
                
                <value><![CDATA[javascript\s?:\s?;mailto\s?:\s?;^#$;]]></value>
           </property>
      </bean>

    最后，在如下的配置中，加入刚才配置好的部分

    <bean id="urlRegexMap" class="com.snoics.reptile.regex.url.impl.UrlRegexMap">
        <property name="ulrRegexMap">
            <map>
                
                <entry key="ahref">
                    
                    <ref bean="ahrefRegexUrl"/>
                </entry>
                <entry key="src">
                    <ref bean="srcRegexUrl"/>
                </entry>
            </map>
        </property>
    </bean>

5、版本历史
2.0：	核心代码全部重写，增加了扩展性，通过扩展之后，基本上能实现对整个网站完整的解析
1.0：	实现了整站抓取的基本的功能，不能解析特殊的URL，对javascript无法辨认

下载地址：

snoics-reptile2.0.part1.rar

snoics-reptile2.0.part2.rar

snoics-reptile2.0-doc.rar

snoics-reptile 网页爬虫2.0

你可能感兴趣的:(snoics-reptile 网页爬虫2.0)