实例介绍
crawler4j是一个Java开源网络爬虫,提供了一个简单的接口来爬取互联网。它可以在几分钟内设置一个多线程的Web爬虫。这篇文章主要讲解了crawler4j的安装、快速入门、更多示例以及配置细节等内容。您可以在文章中找到完整的源代码,用于自己的项目中。
【实例截图】
【核心代码】
文件清单
└── crawler4j-68f5c1e4fb86542e74d31c0bcb4b1ae14ba2ea71
├── build.gradle
├── CHANGES.txt
├── config
│ ├── checkstyle.xml
│ └── intellij
│ ├── gradle-template.xml
│ └── reset.sh
├── crawler4j
│ ├── build.gradle
│ └── src
│ ├── main
│ │ └── java
│ │ └── edu
│ │ └── uci
│ │ └── ics
│ │ └── crawler4j
│ │ ├── crawler
│ │ │ ├── authentication
│ │ │ │ ├── AuthInfo.java
│ │ │ │ ├── BasicAuthInfo.java
│ │ │ │ ├── FormAuthInfo.java
│ │ │ │ └── NtAuthInfo.java
│ │ │ ├── Configurable.java
│ │ │ ├── CrawlConfig.java
│ │ │ ├── CrawlController.java
│ │ │ ├── exceptions
│ │ │ │ ├── ContentFetchException.java
│ │ │ │ ├── PageBiggerThanMaxSizeException.java
│ │ │ │ └── ParseException.java
│ │ │ ├── Page.java
│ │ │ └── WebCrawler.java
│ │ ├── fetcher
│ │ │ ├── BasicAuthHttpRequestInterceptor.java
│ │ │ ├── IdleConnectionMonitorThread.java
│ │ │ ├── PageFetcher.java
│ │ │ ├── PageFetchResult.java
│ │ │ ├── SniPoolingHttpClientConnectionManager.java
│ │ │ └── SniSSLConnectionSocketFactory.java
│ │ ├── frontier
│ │ │ ├── Counters.java
│ │ │ ├── DocIDServer.java
│ │ │ ├── Frontier.java
│ │ │ ├── InProcessPagesDB.java
│ │ │ ├── WebURLTupleBinding.java
│ │ │ └── WorkQueues.java
│ │ ├── parser
│ │ │ ├── AllTagMapper.java
│ │ │ ├── BinaryParseData.java
│ │ │ ├── CssParseData.java
│ │ │ ├── ExtractedUrlAnchorPair.java
│ │ │ ├── HtmlContentHandler.java
│ │ │ ├── HtmlParseData.java
│ │ │ ├── HtmlParser.java
│ │ │ ├── NotAllowedContentException.java
│ │ │ ├── ParseData.java
│ │ │ ├── Parser.java
│ │ │ ├── TextParseData.java
│ │ │ └── TikaHtmlParser.java
│ │ ├── robotstxt
│ │ │ ├── HostDirectives.java
│ │ │ ├── PathRule.java
│ │ │ ├── RobotstxtConfig.java
│ │ │ ├── RobotstxtParser.java
│ │ │ ├── RobotstxtServer.java
│ │ │ └── UserAgentDirectives.java
│ │ ├── url
│ │ │ ├── TLDList.java
│ │ │ ├── URLCanonicalizer.java
│ │ │ ├── UrlResolver.java
│ │ │ └── WebURL.java
│ │ └── util
│ │ ├── IO.java
│ │ ├── Net.java
│ │ └── Util.java
│ └── test
│ ├── groovy
│ │ └── edu
│ │ └── uci
│ │ └── ics
│ │ └── crawler4j
│ │ ├── auth
│ │ │ ├── BasicAuthTest.groovy
│ │ │ └── FormAuthInfoTest.groovy
│ │ ├── config
│ │ │ └── CustomDnsResolverTest.groovy
│ │ ├── crawler
│ │ │ ├── CrawlerWithJSTest.groovy
│ │ │ ├── NoFollowTest.groovy
│ │ │ ├── NoIndexTest.groovy
│ │ │ ├── OnRedirectedToInvalidTest.groovy
│ │ │ ├── PageTest.groovy
│ │ │ ├── RedirectHandlerTest.groovy
│ │ │ ├── TimeoutTest.groovy
│ │ │ └── WebCrawlerTest.groovy
│ │ ├── parser
│ │ │ ├── CssParseDataTest.groovy
│ │ │ └── HtmlParserTest.groovy
│ │ ├── robotstxt
│ │ │ └── RobotstxtParserTest.groovy
│ │ ├── url
│ │ │ ├── PublicSuffixTest.groovy
│ │ │ └── TLDListOnlineTest.groovy
│ │ └── util
│ │ └── NetTest.groovy
│ ├── java
│ │ └── edu
│ │ └── uci
│ │ └── ics
│ │ └── crawler4j
│ │ └── tests
│ │ ├── fetcher
│ │ │ ├── PageFetcherHtmlOnly.java
│ │ │ └── PageFetcherHtmlTest.java
│ │ └── URLCanonicalizerTest.java
│ └── resources
│ ├── css
│ │ ├── absolute.css
│ │ ├── quotes.css
│ │ └── relative.css
│ ├── html
│ │ └── wiki.c2.com.html
│ ├── logback.xml
│ ├── public_suffix_list.dat
│ └── robotstxt
│ └── he.wikipedia.org_robots.txt
├── crawler4j-examples
│ ├── crawler4j-examples-base
│ │ ├── build.gradle
│ │ └── src
│ │ ├── main
│ │ │ └── resources
│ │ │ └── logback.xml
│ │ └── test
│ │ └── java
│ │ └── edu
│ │ └── uci
│ │ └── ics
│ │ └── crawler4j
│ │ └── examples
│ │ ├── basic
│ │ │ ├── BasicCrawlController.java
│ │ │ └── BasicCrawler.java
│ │ ├── imagecrawler
│ │ │ ├── ImageCrawlController.java
│ │ │ └── ImageCrawler.java
│ │ ├── localdata
│ │ │ ├── CrawlStat.java
│ │ │ ├── LocalDataCollectorController.java
│ │ │ └── LocalDataCollectorCrawler.java
│ │ ├── multiple
│ │ │ ├── BasicCrawler.java
│ │ │ └── MultipleCrawlerController.java
│ │ ├── shutdown
│ │ │ ├── BasicCrawler.java
│ │ │ └── ControllerWithShutdown.java
│ │ └── statushandler
│ │ ├── StatusHandlerCrawlController.java
│ │ └── StatusHandlerCrawler.java
│ └── crawler4j-examples-postgres
│ ├── build.gradle
│ ├── README.md
│ └── src
│ ├── main
│ │ └── java
│ │ └── edu
│ │ └── uci
│ │ └── ics
│ │ └── crawler4j
│ │ └── examples
│ │ ├── crawler
│ │ │ ├── PostgresCrawlerFactory.java
│ │ │ └── PostgresWebCrawler.java
│ │ ├── db
│ │ │ ├── impl
│ │ │ │ └── PostgresDBServiceImpl.java
│ │ │ └── PostgresDBService.java
│ │ └── SampleLauncher.java
│ └── test
│ ├── java
│ │ └── edu
│ │ └── uci
│ │ └── ics
│ │ └── crawler4j
│ │ └── examples
│ │ └── PgsqlTest.java
│ └── resources
│ ├── db
│ │ └── migration
│ │ └── V1__initial_schema.sql
│ ├── docker-compose.yml
│ └── logback.xml
├── gradle
│ └── wrapper
│ ├── gradle-wrapper.jar
│ └── gradle-wrapper.properties
├── gradle.properties
├── gradlew
├── gradlew.bat
├── LICENSE
├── README.md
└── settings.gradle
86 directories, 116 files
标签:
小贴士
感谢您为本站写下的评论,您的评论对其它用户来说具有重要的参考价值,所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字,对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙,所以请不要反馈意义不大的重复字符,也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明,或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦,又没人会搭理,于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享,对搜索内容的合法性不具有预见性、识别性、控制性,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论平台是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定,若资源存在侵权或相关问题请联系本站客服人员,点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论