WebCollector教程——爬取搜索引擎

本教程演示了WebCollector 2.20的新特性。

下载

WebCollector最新jar包可在WebCollector github主页下载。

MetaData:

MetaData是每个爬取任务的附加信息,灵活应用MetaData可以大大简化爬虫的设计。
例如Post请求往往需要包含参数，而传统爬虫单纯使用URL来保存参数的方法不适合复杂的POST请求。

一些爬取任务希望获取遍历树的深度信息，这也可以通过MetaData轻松实现，
可参见教程DemoDepthCrawler。

RamCrawler:

RamCrawler不需要依赖文件系统或数据库，适合一次性的爬取任务。
如果希望编写长期任务，请使用BreadthCrawler。

本教程实现了一个爬取Bing搜索前n页结果的爬虫，爬虫的结果直接输出到标准输出流
如果希望将爬取结果输出到ArrayList等数据结构中，在类中定义一个ArrayList的成员变量，
输出时将结果插入ArrayList即可，这里需要注意的是爬虫是多线程的，而ArrayList不是线程
安全的，因此在执行插入操作时，可使用下面的方式上锁保证安全。

    synchronized(this){         //插入操作    }

本教程中对Bing搜索的解析规则可能会随Bing搜索的改版而失效。

import cn.edu.hfut.dmic.webcollector.model.CrawlDatum;import cn.edu.hfut.dmic.webcollector.model.CrawlDatums;import cn.edu.hfut.dmic.webcollector.model.Page;import cn.edu.hfut.dmic.webcollector.plugin.ram.RamCrawler;import java.net.URLEncoder;import org.jsoup.select.Elements;import org.jsoup.nodes.Element;/*** @author hu*/public class DemoBingCrawler extends RamCrawler {    public DemoBingCrawler(String keyword, int maxPageNum) throws Exception {        for (int pageNum = 1; pageNum <= maxPageNum; pageNum++) {            String url = createBingUrl(keyword, pageNum);            CrawlDatum datum = new CrawlDatum(url)                    .putMetaData("keyword", keyword)                    .putMetaData("pageNum", pageNum + "")                    .putMetaData("pageType", "searchEngine")                    .putMetaData("depth", "1");            addSeed(datum);        }    }    @Override    public void visit(Page page, CrawlDatums next) {        String keyword = page.getMetaData("keyword");        String pageType = page.getMetaData("pageType");        int depth=Integer.valueOf(page.getMetaData("depth"));        if (pageType.equals("searchEngine")) {            int pageNum = Integer.valueOf(page.getMetaData("pageNum"));            System.out.println("成功抓取关键词" + keyword + "的第" + pageNum + "页搜索结果");            Elements results = page.select("li.b_ans h2>a,li.b_algo h2>a");            for (int rank = 0; rank < results.size(); rank++) {                Element result = results.get(rank);                /*                我们希望继续爬取每条搜索结果指向的网页，这里统称为外链。                我们希望在访问外链时仍然能够知道外链处于搜索引擎的第几页、第几条，                所以将页号和排序信息放入后续的CrawlDatum中，为了能够区分外链和                搜索引擎结果页面，我们将其pageType设置为outlink，这里的值完全由                用户定义，可以设置一个任意的值                在经典爬虫中，每个网页都有一个refer信息，表示当前网页的链接来源。                例如我们首先访问新浪首页，然后从新浪首页中解析出了新的新闻链接，                则这些网页的refer值都是新浪首页。WebCollector不直接保存refer值，                但我们可以通过下面的方式，将refer信息保存在metaData中，达到同样的效果。                经典爬虫中锚文本的存储也可以通过下面方式实现。                在一些需求中，希望得到当前页面在遍历树中的深度，利用metaData很容易实现                这个功能，在将CrawlDatum添加到next中时，将其depth设置为当前访问页面                的depth+1即可。                */                CrawlDatum datum = new CrawlDatum(result.attr("abs:href"))                        .putMetaData("keyword", keyword)                        .putMetaData("pageNum", pageNum + "")                        .putMetaData("rank", rank + "")                        .putMetaData("pageType", "outlink")                        .putMetaData("depth", (depth+1)+"")                        .putMetaData("refer", page.getUrl());                next.add(datum);            }        } else if (pageType.equals("outlink")) {            int pageNum = Integer.valueOf(page.getMetaData("pageNum"));            int rank = Integer.valueOf(page.getMetaData("rank"));            String refer=page.getMetaData("refer");            String line = String.format("第%s页第%s个结果:%s(%s字节)\tdepth=%s\trefer=%s",                    pageNum, rank + 1, page.getDoc().title(),page.getContent().length,depth,refer);            System.out.println(line);        }    }    public static void main(String[] args) throws Exception {        DemoBingCrawler crawler = new DemoBingCrawler("网络爬虫", 3);        crawler.start();    }    /**    * 根据关键词和页号拼接Bing搜索对应的URL    */    public static String createBingUrl(String keyword, int pageNum) throws Exception {        int first = pageNum * 10 - 9;        keyword = URLEncoder.encode(keyword, "utf-8");        return String.format("http://cn.bing.com/search?q=%s&first=%s", keyword, first);    }}

通过捐款支持WebCollector

维护WebCollector及教程需要花费较大的时间和精力，如果你喜欢WebCollector的话，欢迎通过捐款的方式，支持开发者的工作，非常感谢！

你可以使用支付宝钱包扫描下方的二维码进行捐款， 或者通过向支付宝帐号 [e-mail]转帐进行捐款。