WebCollector初学教程

忘是亡心i 2022-06-16 09:13 224阅读 0赞

# 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][WebCollector]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

[briefcopy]: http://datahref.com/archives/author/briefcopy
[WebCollector]: https://github.com/CrawlScript/WebCollector