WebCollector初学教程

Java开源爬虫框架WebCollector教程——在Eclipse项目中配置使用WebCollector爬虫

by briefcopy· Published 2016年4月25日 · Updated 2016年12月11日

在Eclipse项目中使用WebCollector爬虫非常简单，不需要任何其他的配置，只需要导入相关的jar包即可。

Netbeans、Intellij也是非常优秀的IDE，下面的方法也同样适用于Netbeans和Intellij（有细微差别），推荐使用Netbeans或Intellij。至于Netbeans和Intellij的项目结构是否通用这个问题，其实是不用考虑的，因为Eclipse项目结构也是不通用的，参与过开源软件开发的人应该知道，apache等开源组织发布的源码往往是ant项目或maven项目，这些才是通用的项目结构，并且Netbeans和Intellij在对ant和maven的支持上，比Eclipse好得多。

1.直接使用配置好的项目：

WebCollector爬取新浪微博等完整示例工程可加群250108697或345054141从群文件中下载，下载群文件中任意WebCollector示例项目即可。

2.自己动手配置项目：

具体步骤如下：

1.进入WebCollector官方网站下载最新版本所需jar包。

最新版本的jar包放在webcollector-version-bin.zip中。

2.打开Eclipse,选择File->New->Java Project，按照正常步骤新建一个JAVA项目。

在工程根目录下新建一个文件夹lib，将刚下载的webcollector-version-bin.zip解压后得到的所有jar包放到lib文件夹下。将jar包放到build path中。

3.现在可以编写WebCollector爬虫的代码了，例如我们编写一个爬取网站新闻的例子。

新建一个类NewsCrawler.java,源码如下：

import cn.edu.hfut.dmic.webcollector.model.CrawlDatums;
import cn.edu.hfut.dmic.webcollector.model.Page;
import cn.edu.hfut.dmic.webcollector.plugin.berkeley.BreadthCrawler;
import org.jsoup.nodes.Document;

/**
 *  * 来自合肥工业大学的消息

* @author hu */ public class NewsCrawler extends BreadthCrawler { /** * @param crawlPath

* CrawlPath是维护目录的路径

* 这是crawler的信息 * @param * autoParse * = true 代表如果可以自动解析,则BreadthCrawler会自动提取

     * 从这个页面用正则表达式去匹配链接
     * 这是一个构造函数
 */
    public NewsCrawler(String crawlPath, boolean autoParse) {
    super(crawlPath, autoParse);
    /*页面开始*/
    this.addSeed("http://news.hfut.edu.cn/list-1-1.html");

    /*获取像这样的http://news.hfut.edu.cn/show-xxxxxxhtmlurl*/
    this.addRegex("http://news.hfut.edu.cn/show-.*html");
    /*不获取这样的格式 jpg|png|gif*/
    this.addRegex("-.*\\.(jpg|png|gif).*");
    /*也不要这样的 #*/
    this.addRegex("-.*#.*");
    }

    @Override
    public void visit(Page page, CrawlDatums next) {
    String url = page.getUrl();
    /*如果是一个新的页面*/
    if (page.matchUrl("http://news.hfut.edu.cn/show-.*html")) {
        /*用JSOUP去解析这个页面*/
        Document doc = page.getDoc();

        /*的提取新闻和标题的css选择器*/
        String title = page.select("div[id=Article]>h2").first().text();
        String content = page.select("div#artibody", 0).text();

        System.out.println("URL:\n" + url);
        System.out.println("title:\n" + title);
        System.out.println("content:\n" + content);

        /*如果你想要抓取新的url,添加他们到 nextLink*/
        /*WebCollector 可以自动去重*/
        /*如果autoparse 为真则添加链接去nextlinks 如果与正则不匹配则不会添加*/
        //next.add("http://xxxxxx.com");
    }
    }

    public static void main(String[] args) throws Exception {
    NewsCrawler crawler = new NewsCrawler("crawl", true);
    crawler.setThreads(50);
    crawler.setTopN(100);
    //crawler.setResumable(true);
    /*网页爬取深度为4*/
    crawler.start(4);
    }

}

4.运行源码即可看到输出

http://datahref.com/archives/10   原文地址  我只是把注解翻译过来  英语不好 看不懂的去原文