爬虫初探（一）crawler4j的robots
最近刚刚开始研究爬虫，身为小白的我不知道应该从何处下手，网上查了查，发现主要的开源java爬虫有nutch apache/nutch · GitHub，Heritrix internetarchive/heritrix3 · GitHub和Crawler4j yasserg/crawler4j · GitHub，还有WebCollectorCrawlScript/WebCollector · GitHub和 WebMagic code4craft/webmagic · GitHub
由于刚刚开始接触爬虫，因此决定先接触个小型的项目Crawler4j 。先从git上clone下来，结果发现不会导入eclipse（实在是小白啊，见谅）。一点点了解发现这是个maven项目，直接导入maven项目即可。最后终于运行了给的例子。
在初步了解的过程中，发现了一个robots协议，百度了一下，居然是个爬虫协议，有点吃惊。robots.txt是一个文本文件，放在网站的根目录，因此我就去尝试了读取大众点评的robots.txt ，发现还真有这么个文件。不过这是个道德规范的文件，因为它无法阻止“强盗”进入。具体的文件写法可以百度。
可以看到crawler4j也是支持robots.txt协议的，总共有以下这几个类：
1.RobotstxtConfig
这个类十分简单，里面就3个变量，分别是是否开启robots协议，user-agent 那么以及缓存（这个缓存是指最多能缓存的robots.txt的数量，如果超过这个数量，会将最久不用的一个替换）。
2.HostDirectives
这个类就是存放robots.txt的类，里面主要存放了disallows和allows （这2个是作者写的RuleSet，稍后说），还有个终止期限，超过这个期限要重新获取对应的robots.txt。
3. RuleSet
这个类是存放具体的robots规则的，继承了TreeSet，因为TreeSet是按自然排序（这里字符串比较升序排）的，而又要将前缀路径覆盖所有后续的路径（作者思虑真周密啊），比如a/b覆盖a/b/c。但其实这样的话a/b/c1会覆盖a/b/c12，因此其实也有点小缺陷。附上源码：
public boolean add(String str) {
SortedSet<String> sub = headSet(str);
if (!sub.isEmpty() && str.startsWith(sub.last())) {
// no need to add; prefix is already present
return false;
}
boolean retVal = super.add(str);
sub = tailSet(str + "\0");
while (!sub.isEmpty() && sub.first().startsWith(str)) {
// remove redundant entries
sub.remove(sub.first());
}
return retVal;
}
4. RobotstxtParser
顾名思义，就是将Robots.txt解析成HostDirectives，这里只有一个静态方法parse。这里对每一行进行解析，首先对于协议指定的user-agent，如果包括我们自己的user-agent，则下面的disallow或者allow才加入规则中。具体是如何解析的有兴趣自己看源码吧。
不过这一块代码不是很清楚。
int commentIndex = line.indexOf('#');
if (commentIndex > -1) {
line = line.substring(0, commentIndex);
}
// remove any html markup
line = line.replaceAll("<[^>]+>", "");
希望有小伙伴指教下。
5.RobotstxtServer
这是Robots的主类，有个对外的方法。
public boolean allows(WebURL webURL) {
if (config.isEnabled()) {
try {
URL url = new URL(webURL.getURL());
String host = getHost(url);
String path = url.getPath();
HostDirectives directives = host2directivesCache.get(host);
if ((directives != null) && directives.needsRefetch()) {
synchronized (host2directivesCache) {
host2directivesCache.remove(host);
//这里用双重锁更合适，不然可能会remove异常
directives = null;
}
}
if (directives == null) {
directives = fetchDirectives(url);
}
return directives.allows(path);
} catch (MalformedURLException e) {
logger.error("Bad URL in Robots.txt: " + webURL.getURL(), e);
}
}
return true;
}
代码很清晰，就是首先获取HostDirectives，（如果必要的话解析robots.txt），然后判断是否允许。
public boolean allows(String path) {
timeLastAccessed = System.currentTimeMillis();
return !disallows.containsPrefixOf(path) || allows.containsPrefixOf(path);
}
只要allows包含或者disallows不包含即可。
最后这个类有一个map存放各个host的robots.txt解析过来的HostDirectives，由于涉及多线程，因此当把HostDirectives加入这个map的时候需要加锁，不然remove可能会出异常。
synchronized (host2directivesCache) {
if (host2directivesCache.size() == config.getCacheSize()) {
String minHost = null;
long minAccessTime = Long.MAX_VALUE;
for (Map.Entry<String, HostDirectives> entry : host2directivesCache.entrySet()) {
if (entry.getValue().getLastAccessTime() < minAccessTime) {
minAccessTime = entry.getValue().getLastAccessTime();
minHost = entry.getKey();
}
}
host2directivesCache.remove(minHost);
}
host2directivesCache.put(host, directives);
}