基于crawler4j、jsoup、javacsv的爬虫实践

1. crawler4j基础

crawler4j是一个基于Java的爬虫开源项目，其官方地址如下：

http://code.google.com/p/crawler4j/

crawler4j的使用主要分为两个步骤：

1. 实现一个继承自WebCrawler的爬虫类；
2. 通过CrawlController调用实现的爬虫类。

WebCrawler是一个抽象类，继承它必须实现两个方法：shouldVisit和visit。其中：

• shouldVisit是判断当前的URL是否已经应该被爬取（访问）；
• visit则是爬取该URL所指向的页面的数据，其传入的参数即是对该web页面全部数据的封装对象Page。

另外，WebCrawler还有其它一些方法可供覆盖，其方法的命名规则类似于Android的命名规则。如getMyLocalData方法可以返回WebCrawler中的数据；onBeforeExit方法会在该WebCrawler运行结束前被调用，可以执行一些资源释放之类的工作。

相对而言，CrawlController的调用就比较格式化了。一般地，它的调用代码如下：

[java]  view plain  copy

1. String crawlStorageFolder = "data/crawl/root";  
2. int numberOfCrawlers = 7;  
3.   
4. CrawlConfig config = new CrawlConfig();  
5. config.setCrawlStorageFolder(crawlStorageFolder);  
6.   
7. /* 
8.  * Instantiate the controller for this crawl. 
9.  */  
10. PageFetcher pageFetcher = new PageFetcher(config);  
11. RobotstxtConfig robotstxtConfig = new RobotstxtConfig();  
12. RobotstxtServer robotstxtServer = new RobotstxtServer(robotstxtConfig, pageFetcher);  
13. CrawlController controller = new CrawlController(config, pageFetcher, robotstxtServer);  
14.   
15. /* 
16.  * For each crawl, you need to add some seed urls. These are the first 
17.  * URLs that are fetched and then the crawler starts following links 
18.  * which are found in these pages 
19.  */  
20. controller.addSeed("http://www.ics.uci.edu/~welling/");  
21. controller.addSeed("http://www.ics.uci.edu/~lopes/");  
22. controller.addSeed("http://www.ics.uci.edu/");  
23.   
24. /* 
25.  * Start the crawl. This is a blocking operation, meaning that your code 
26.  * will reach the line after this only when crawling is finished. 
27.  */  
28. controller.start(MyCrawler.class, numberOfCrawlers);     

CrawlController自带多线程功能，start方法中的第二个参数numberOfCrawlers即是同时开启的线程数。

另外，由于CrawlController对WebCrawler特殊的调用方式——反射（上述代码最后一行），因此WebCrawler的实现类必须拥有无参的构造方法，且有参的构造方法不会生效。对WebCrawler的实现类的私有成员的赋值需要通过静态方法来实现，示例参见crawler4j提供的例子：Image Crawler

更多信息请参见crawler4j的代码和示例。

2. jsoup基础

jsoup是一个基于Java的开源HTML解析器，其官网地址如下：

http://jsoup.org/

jsoup最大的特点，或者说，它比使用DOM4J进行HTML解析更好的原因，是它可以采用jQuery选择器的语法。

例如：

[java]  view plain  copy

1. Document doc = Jsoup.connect("http://en.wikipedia.org/").get();  
2. Elements newsHeadlines = doc.select("#mp-itn b a");  

上述代码就是获取了http://en.wikipedia.org/页面中id为mp-itn的元素下的<b>标签中的<a>标签，与jQuery选择器的结果一致。

更多jsoup的使用方法请参见jsoup的示例（在主页的右侧Cookbook Content中）。

需要特别说明的是，jsoup中主要有三种操作对象：Document、Elements及Element。其中：

• Document继承自Element类，它包含页面中的全部数据，通过Jsoup类的静态方法获得；
• Elements是Element的集合类；
• Element是页面元素的实体类，包含了诸多操作页面元素的方法，其中除了类似于jQuery选择器的select方法外，还有大量类似于JS和jQuery的对DOM元素进行操作的方法，如getElementById，text，addClass，等等。
  

3. javacsv基础

javacsv是一个基于Java的开源CSV文件读写工具，其官方地址如下：

http://www.csvreader.com/java_csv.php

CSV文件的读写其实很简单，可以自己实现，网上也有诸多示例。使用javacsv的原因在于其代码简洁易用。

javacsv的使用示例参见其官方示例：

http://www.csvreader.com/java_csv_samples.php

需要说明的是，读写CSV文件时，若存在中文，请尽量使用FileReader（读）及FileWriter（写），而非FileInputStream和FileOutputStream，以免出现乱码。

4. 爬虫实践

下面的实践的目标是爬取搜车网的全部二手车信息，并作为CSV文件输出。代码如下：

Maven pom.xml

[html]  view plain  copy

1. <dependency>  
2.     <groupId>edu.uci.ics</groupId>  
3.     <artifactId>crawler4j</artifactId>  
4.     <version>3.5</version>  
5.     <type>jar</type>  
6.     <scope>compile</scope>  
7. </dependency>  
8.   
9. <dependency>  
10.     <groupId>org.jsoup</groupId>  
11.     <artifactId>jsoup</artifactId>  
12.     <version>1.7.3</version>  
13. </dependency>  
14.   
15. <dependency>  
16.     <groupId>net.sourceforge.javacsv</groupId>  
17.     <artifactId>javacsv</artifactId>  
18.     <version>2.0</version>  
19. </dependency>  

MyCrawler.java

[java]  view plain  copy

1. import java.io.File;  
2. import java.io.FileWriter;  
3. import java.io.IOException;  
4. import java.util.regex.Pattern;  
5.   
6. import org.jsoup.Jsoup;  
7. import org.jsoup.nodes.Document;  
8. import org.jsoup.nodes.Element;  
9. import org.jsoup.select.Elements;  
10.   
11. import com.csvreader.CsvWriter;  
12.   
13. import edu.uci.ics.crawler4j.crawler.Page;  
14. import edu.uci.ics.crawler4j.crawler.WebCrawler;  
15. import edu.uci.ics.crawler4j.parser.HtmlParseData;  
16. import edu.uci.ics.crawler4j.url.WebURL;  
17.   
18. public class MyCrawler extends WebCrawler {  
19.   
20.     private final static Pattern FILTERS = Pattern  
21.             .compile(".*(\\.(css|js|bmp|gif|jpe?g|ico"  
22.                     + "|png|tiff?|mid|mp2|mp3|mp4"  
23.                     + "|wav|avi|mov|mpeg|ram|m4v|pdf"  
24.                     + "|rm|smil|wmv|swf|wma|zip|rar|gz))$");  
25.   
26.     private final static String URL_PREFIX = "http://www.souche.com/pages/onsale/sale_car_list.html?";  
27.     private final static Pattern URL_PARAMS_PATTERN = Pattern  
28.             .compile("carbrand=brand-\\d+(&index=\\d+)?");  
29.   
30.     private final static String CSV_PATH = "data/crawl/data.csv";  
31.     private CsvWriter cw;  
32.     private File csv;  
33.   
34.     public MyCrawler() throws IOException {  
35.         csv = new File(CSV_PATH);  
36.   
37.         if (csv.isFile()) {  
38.             csv.delete();  
39.         }  
40.   
41.         cw = new CsvWriter(new FileWriter(csv, true), ',');  
42.         cw.write("title");  
43.         cw.write("brand");  
44.         cw.write("newPrice");  
45.         cw.write("oldPrice");  
46.         cw.write("mileage");  
47.         cw.write("age");  
48.         cw.write("stage");  
49.         cw.endRecord();  
50.         cw.close();  
51.     }  
52.   
53.     /** 
54.      * You should implement this function to specify whether the given url 
55.      * should be crawled or not (based on your crawling logic). 
56.      */  
57.     @Override  
58.     public boolean shouldVisit(WebURL url) {  
59.         String href = url.getURL().toLowerCase();  
60.         if (FILTERS.matcher(href).matches() || !href.startsWith(URL_PREFIX)) {  
61.             return false;  
62.         }  
63.   
64.         String[] strs = href.split("\\?");  
65.         if (strs.length < 2) {  
66.             return false;  
67.         }  
68.   
69.         if (!URL_PARAMS_PATTERN.matcher(strs[1]).matches()) {  
70.             return false;  
71.         }  
72.           
73.         return true;  
74.     }  
75.   
76.     /** 
77.      * This function is called when a page is fetched and ready to be processed 
78.      * by your program. 
79.      */  
80.     @Override  
81.     public void visit(Page page) {  
82.         String url = page.getWebURL().getURL();  
83.   
84.         if (page.getParseData() instanceof HtmlParseData) {  
85.             HtmlParseData htmlParseData = (HtmlParseData) page.getParseData();  
86.             String html = htmlParseData.getHtml();  
87.   
88.             Document doc = Jsoup.parse(html);  
89.             String brand = doc.select("div.choose_item").first().text();  
90.   
91.             Elements contents = doc.select("div.list_content");  
92.               
93.             if (contents.size() == 20 && !url.contains("index=")) {  
94.                 return;  
95.             } else {  
96.                 System.out.println("URL: " + url);  
97.             }  
98.               
99.             for (Element c : contents) {  
100.                 Element info = c.select(".list_content_carInfo").first();  
101.                 String title = info.select("h1").first().text();  
102.   
103.                 Elements prices = info.select(".list_content_price div");  
104.                 String newPrice = prices.get(0).text();  
105.                 String oldPrice = prices.get(1).text();  
106.   
107.                 Elements others = info.select(".list_content_other div");  
108.                 String mileage = others.get(0).select("ins").first().text();  
109.                 String age = others.get(1).select("ins").first().text();  
110.   
111.                 String stage = "unknown";  
112.                 if (c.select("i.car_tag_zhijian").size() != 0) {  
113.                     stage = c.select("i.car_tag_zhijian").text();  
114.                 } else if (c.select("i.car_tag_yushou").size() != 0) {  
115.                     stage = "presell";  
116.                 }  
117.   
118.                 try {  
119.                     cw = new CsvWriter(new FileWriter(csv, true), ',');  
120.                     cw.write(title);  
121.                     cw.write(brand);  
122.                     cw.write(newPrice.replaceAll("[￥万]", ""));  
123.                     cw.write(oldPrice.replaceAll("[￥万]", ""));  
124.                     cw.write(mileage);  
125.                     cw.write(age);  
126.                     cw.write(stage);  
127.                     cw.endRecord();  
128.                     cw.close();  
129.                 } catch (IOException e) {  
130.                     e.printStackTrace();  
131.                 }  
132.             }  
133.         }  
134.     }  
135. }  

Controller.java

[java]  view plain  copy

1. import edu.uci.ics.crawler4j.crawler.CrawlConfig;  
2. import edu.uci.ics.crawler4j.crawler.CrawlController;  
3. import edu.uci.ics.crawler4j.fetcher.PageFetcher;  
4. import edu.uci.ics.crawler4j.robotstxt.RobotstxtConfig;  
5. import edu.uci.ics.crawler4j.robotstxt.RobotstxtServer;  
6.   
7. public class Controller {  
8.     public static void main(String[] args) throws Exception {  
9.             String crawlStorageFolder = "data/crawl/root";  
10.             int numberOfCrawlers = 7;  
11.   
12.             CrawlConfig config = new CrawlConfig();  
13.             config.setCrawlStorageFolder(crawlStorageFolder);  
14.   
15.             /* 
16.              * Instantiate the controller for this crawl. 
17.              */  
18.             PageFetcher pageFetcher = new PageFetcher(config);  
19.             RobotstxtConfig robotstxtConfig = new RobotstxtConfig();  
20.             RobotstxtServer robotstxtServer = new RobotstxtServer(robotstxtConfig, pageFetcher);  
21.             CrawlController controller = new CrawlController(config, pageFetcher, robotstxtServer);  
22.   
23.             /* 
24.              * For each crawl, you need to add some seed urls. These are the first 
25.              * URLs that are fetched and then the crawler starts following links 
26.              * which are found in these pages 
27.              */  
28.             controller.addSeed("http://www.ics.uci.edu/~welling/");  
29.             controller.addSeed("http://www.ics.uci.edu/~lopes/");  
30.             controller.addSeed("http://www.ics.uci.edu/");  
31.   
32.             /* 
33.              * Start the crawl. This is a blocking operation, meaning that your code 
34.              * will reach the line after this only when crawling is finished. 
35.              */  
36.             controller.start(MyCrawler.class, numberOfCrawlers);      
37.     }  
38. }