Java Web爬虫：ScrapingSpider
jopen
10年前
ScrapingSpider 是一个业余时间开发的，支持多线程，支持关键字过滤，支持正文内容智能识别的爬虫。
爬虫的核心实现在ScrapingSpider.Core程序集中。爬虫类为Spider类，爬虫的爬取逻辑，与页面处理逻辑通过事件分离，两个关键事件为AddUrlEvent和DataReceivedEvent。
示例代码：
// 构造爬虫，需要3个参数：爬虫设置，实现了ILogger的日志记录器，上次未执行完的爬取链接 Spider spider = new Spider(new Settings(), new EmptyLogger(), null); spider.AddUrlEvent += addUrlArgs => { // Url即将添加到队列的事件处理 }; spider.DataReceivedEvent += receivedArgs => { // 页面已经被抓取下来的事件，可在此处理页面，例如页面保存添加到数据库 }; // 开始爬取 spider.Crawl(); ScrapingSpider示例代码
-
具体的使用方法请参考ScrapingSpider项目的Program.cs类中的示例代码。
-
示例代码使用SqlServer数据库存储爬取信息，表结构与WebPage类对应，数据库连接字符串请参考App.config。
-
采用log4net作为日志记录组件。
Settings说明
-
Init Seeds: 初始Url地址，多个地址使用回车分开。
-
Regex Filter: 通过正则表达式过滤Url，多个正则使用回车隔开。
-
Keyword: 关键字，按照指定的关键字爬取，多个关键字使用回车分开。
-
Crawl Depth: 爬取深度，小于0表示不限
-
Escape Links: 要过滤的链接，如：.jpg|.rar|.exe
-
Keep Cookie: 抓取过程中是否保留Cookie
-
Lock Host: 是否锁定Host，锁定后，指抓取站点相关链接。
-
Limit Speed: 是否智能限速。
-
Threads: 线程数量，启用多个线程有利于提高爬取效率。
-
Timeout: 超时时间，以毫秒为单位。
-
User Agent: http协议UserAgent设置。