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

bybriefcopy· 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

[/code]

 * @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

[/code]

 = 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("-.*#.*");}@Overridepublic 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