JAVA爬虫 WebCollector

爬虫简介：

WebCollector是一个无须配置、便于二次开发的JAVA爬虫框架（内核），它提供精简的的API，只需少量代码即可实现一个功能强大的爬虫。

爬虫内核：

WebCollector致力于维护一个稳定、可扩的爬虫内核，便于开发者进行灵活的二次开发。内核具有很强的扩展性，用户可以在内核基础上开发自己想要的爬虫。源码中集成了Jsoup，可进行精准的网页解析。

量级：

WebCollector最常用的爬取器BreadthCrawler使用2^24的布隆过滤器进行URL管理，可处理2^24量级的数据，也就是3000W的网页。用户可以通过自定义插件来定制处理能处理更大量级数据的爬虫。

插件：

基于WebCollector内核，可以自己编写爬虫的http请求、链接解析器、爬取信息更新器、抓取器等模块，WebCollector把这些基于内核编写的模块称作"插件"，通过不同的插件组合，可以在1分钟内，把WebCollector组装成一个全新的爬虫。

WebCollector内置了一套插件(cn.edu.hfut.dmic.webcollector.plugin.redis)。基于这套插件，可以把WebCollector的任务管理放到redis数据库上。在早期版本中，redis插件可以让爬虫处理较高量级的数据。从1.35版本开始，爬取器BreadthCrawler已经比使用redis插件的爬取器(RedisCrawler)具有更高的爬取量级。所以目前还是推荐使用BreadthCrawler作为爬取器。

用户可以根据自己的需求，去开发适合自己的插件。

MAVEN：

< dependency >
    < groupId >cn.edu.hfut.dmic.webcollector</ groupId >
    < artifactId >WebCollector</ artifactId >
    < version >1.42</ version >
</ dependency >

教程：

WebCollector文档(Cookbook)

WebCollector入门教程（中文版）

WebCollector内核解析—如何设计一个爬虫

用WebCollector制作一个爬取《知乎》并进行问题精准抽取的爬虫（JAVA） 

用WebCollector爬取美食网站的所有图片

DEMO1：

用WebCollector制作一个爬取《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 Exception{
        ZhihuCrawler crawler= new  ZhihuCrawler();
        crawler.addSeed( "http://www.zhihu.com/question/21003086" );
        crawler.addRegex( "http://www.zhihu.com/.*" );
        crawler.start( 5 );
    }


}

DEMO2：

使用WebCollector的redis插件，进行爬取。（使用redis数据库进行任务管理）

/**
 * RedisCrawler是WebCollector的一个插件，将WebCollector的任务管理交
 * 给redis数据库，使WebCollector可以进行海量网页的爬取
 */
public  class  MyCrawler  extends  RedisCrawler{

    public  MyCrawler(String tableName,String ip, int  port){
        super (tableName,ip,port);
    }

    @Override
    public  void  visit(Page page){
        System.out.println(page.getDoc().title());
    }


    /*运行程序前请开启redis数据库*/
    public  static  void  main(String[] args)  throws  Exception{

        /*mytest是任务名(用于区别不同爬虫),"127.0.0.1"和6379是redis数据库的ip和端口*/
        MyCrawler crawler= new  MyCrawler( "mytest" ,  "127.0.0.1" ,  6379 );

        /*爬取合肥工业大学新闻网*/
        crawler.addSeed( "http://news.hfut.edu.cn/" );
        crawler.addRegex( "http://news.hfut.edu.cn/.*" );


        /*过滤图片*/
        crawler.addRegex( "-.*#.*" );
        crawler.addRegex( "-.*png.*" );
        crawler.addRegex( "-.*jpg.*" );
        crawler.addRegex( "-.*gif.*" );
        crawler.addRegex( "-.*js.*" );
        crawler.addRegex( "-.*css.*" );

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

        /*设置是否为断点爬取模式*/
        crawler.setResumable( false );

        /*开始深度为5的爬取*/
        crawler.start( 5 );
    }
}

设计框架：

Generator:抓取任务生成模块。

Filter:过滤器。对生成的任务进行过滤。

Fetcher:爬取任务。

Parser:解析任务（主要为链接抽取）。

Handler:消息机制。使用WebCollector的开发者通过handler可以快速定制自己的爬虫。WebCollector并没有使用Nutch的插件机制，而是使用handler来完成对爬虫功能的扩展。爬虫每遍历到一个页面，就会发送一个Message给Handler，开发者只要定制自己的Handler，即可对页面进行自定义操作。