阿布云

你所需要的，不仅仅是一个好用的代理。

ava开源爬虫框架WebCollector内核开发——定制Http请求

发表于 2018-03-16

本教程适用于WebCollector 2.27版本或更高。

在WebCollector中，使用最多的爬取器应该是BreadthCrawler，BreadthCrawler是用WebCollector的内核开发的一个插件，并不属于内核。

如果只是简单定制Http请求，例如加入Cookie、UserAgent等Http头，使用POST操作等，使用BreadthCrawler插件即可完成，可以参考教程WebCollector自定义http请求。

对于一些需要深度定制Http请求的用户，基于WebCollector的内核进行开发是一个不错的选择。基于内核的开发并不难，用户只要自己定义一个Executor即可，下面的例子使用HttpClient定制WebCollector的Http请求：

import cn.edu.hfut.dmic.webcollector.crawldb.DBManager;
import cn.edu.hfut.dmic.webcollector.crawler.Crawler;
import cn.edu.hfut.dmic.webcollector.fetcher.Executor;
import cn.edu.hfut.dmic.webcollector.model.CrawlDatum;
import cn.edu.hfut.dmic.webcollector.model.CrawlDatums;
import cn.edu.hfut.dmic.webcollector.plugin.berkeley.BerkeleyDBManager;
import cn.edu.hfut.dmic.webcollector.util.CharsetDetector;
import org.apache.http.HttpEntity;
import org.apache.http.HttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

/**
* Created by hu on 2016/2/19.
* 该教程为WebCollector内核使用教程
* 内核适合需要深度定制http请求的开发者使用
* 普通业务可使用已封装好的BreadthCrawler等插件
*
* 一个爬取器Crawler需要定制一个DBManager和一个Executor
* DBManager用于维护爬取历史，以做到去重、断点爬取等功能
* Executor用于定制每次的爬取和抽取操作
*
* 本教程利用HttpClient定制http请求，并使用伯克利DB维护爬取历史
*
*
*/
public class KernelDemo1 {
public static void main(String[] args) throws Exception {
/*定制Executor*/
Executor executor=new Executor() {

/*execute应该包含对一个页面从http请求到抽取的过程
如果在execute中发生异常并抛出，例如http请求超时，
爬虫会在后面的任务中继续爬取execute失败的任务。
如果一个任务重试次数太多，超过Config.MAX_EXECUTE_COUNT，
爬虫会忽略这个任务。Config.MAX_EXECUTE_COUNT的值可以被修改*/
public void execute(CrawlDatum datum, CrawlDatums next) throws Exception {
CloseableHttpClient client= HttpClients.createDefault();
String url=datum.getUrl();
try{
HttpGet get=new HttpGet(url);
HttpResponse response=client.execute(get);
HttpEntity entity=response.getEntity();
/*利用HttpClient获取网页的字节数组，
通过CharsetDetector判断网页的编码 */
byte[] content= EntityUtils.toByteArray(entity);
String charset= CharsetDetector.guessEncoding(content);
String html=new String(content,charset);
/*利用Jsoup解析网页，并执行抽取等操作*/
Document doc= Jsoup.parse(html,url);
System.out.println(doc.title());
Elements links=doc.select("a[href]");
for(int i=0;i<links.size();i++){
Element link=links.get(i);
/*抽取超链接的绝对路径*/
String href=link.attr("abs:href");
/*将新链接加入后续任务，这里只加入以http://news.hfut.edu.cn/开头的链接
用户不用考虑去重的问题，爬虫内核会自动去重*/
if(href.startsWith("http://news.hfut.edu.cn/")){
next.add(href);
}
}
}finally {
client.close();
}
}
};

/*基于伯克利DB的DBManager*/
DBManager dbManager=new BerkeleyDBManager("crawl");

/*构建一个Crawler*/
Crawler crawler=new Crawler(dbManager,executor);
/*线程数*/
crawler.setThreads(20);

crawler.addSeed("http://news.hfut.edu.cn/");

//设置爬虫是否以断点模式爬取
//如果设置为true，爬虫会在启动时继续以前的任务爬取
//默认为false，如果为false，每次启动爬虫都会重新爬取
//crawler.setResumable(true);

//爬取3层，层与网站拓扑无关，它是遍历树中的层
crawler.start(3);

}
}
有些爬取任务需要获取网页中由JS加载的信息（例如AJAX获取的信息），解决方案之一就是使用Selenium来进行爬取，Selenium是一个虚拟的浏览器，下面的例子给出如何使用虚拟浏览器来进行网页的爬取：

/**
* 本教程演示如何利用WebCollector爬取javascript生成的数据
*
* @author hu
*/
public class DemoSelenium {

static {
//禁用Selenium的日志
Logger logger = Logger.getLogger("com.gargoylesoftware.htmlunit");
logger.setLevel(Level.OFF);
}

public static void main(String[] args) throws Exception {
Executor executor=new Executor() {
@Override
public void execute(CrawlDatum datum, CrawlDatums next) throws Exception {
HtmlUnitDriver driver = new HtmlUnitDriver();
driver.setJavascriptEnabled(true);
driver.get(datum.getUrl());
WebElement element=driver.findElementByCssSelector("span#outlink1");
System.out.println("反链数:"+element.getText());
}
};

//创建一个基于伯克利DB的DBManager
DBManager manager=new BerkeleyDBManager("crawl");
//创建一个Crawler需要有DBManager和Executor
Crawler crawler= new Crawler(manager,executor);
crawler.addSeed("http://seo.chinaz.com/?host=www.tuicool.com");
crawler.start(1);
}

}
转载：http://datahref.com

新闻中心