开源爬虫框架Heritrix的初次使用

 我的笔记   2018-03-05 16:36   824 人阅读  0 条评论

1. 使用Heritrix 爬取网络资源

1.1. 什么是网络爬虫

网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。

1.2. 下载安装Heritrix

Heritrix 是一个由 java 开发的、开源的网络爬虫,用户可以使用它来从网上抓取想要的资源。其最出色之处在于它良好的可扩展性,方便用户实现自己的抓取逻辑。

1) 创建java工程MyHeritrix。

2) 将heritrix-3.1.0-distheritrix-3.1.0lib下面的所有jar包拷贝至java工程MyHeritrix的lib目录。

3) 将heritrix-3.1.0-srcheritrix-3.1.0下面commons,engine,modules的源码拷贝至java工程MyHeritrix的src目录。

4) 运行入口类org.archive.crawler.Heritrix,右键run Configurations,参数如下图:


1.3. 配置Heritrix

使用 https://localhost:8443/,进入heritrix的管理页面



自建搜索引擎——开源爬虫框架Heritrix之初体验

自建搜索引擎——开源爬虫框架Heritrix之初体验

自建搜索引擎——开源爬虫框架Heritrix之初体验

自建搜索引擎——开源爬虫框架Heritrix之初体验

1.4. 开始爬取数据

1)点击"build"编译当前的配置。

2)点击"launch"按钮运行当前任务至挂起状态,如果job已经运行,则先点击"teardown"按钮;

3)这时任务处于挂起状态,unpause按钮不可用,需要刷新页面,然后点击"unpause"即立即启动任务。

自建搜索引擎——开源爬虫框架Heritrix之初体验

自建搜索引擎——开源爬虫框架Heritrix之初体验

2. 使用jsoup解析html文件

2.1. jsoup简介

jsoup 是一款Java 的HTML解析器,可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API,可通过DOM,CSS以及类似于jQuery的操作方法来取出和操作数据。具体api可以参考下面的链接。

http://www.open-open.com/jsoup/selector-syntax.htm

自建搜索引擎——开源爬虫框架Heritrix之初体验

2.2. 编写HtmlParser.java

按照下面html页面的内容,摘取tile,keywords,description,canonical信息保存至对应文件中。

自建搜索引擎——开源爬虫框架Heritrix之初体验

自建搜索引擎——开源爬虫框架Heritrix之初体验

自建搜索引擎——开源爬虫框架Heritrix之初体验

自建搜索引擎——开源爬虫框架Heritrix之初体验

递归调用parserHtml方法,解析所有的html文件

自建搜索引擎——开源爬虫框架Heritrix之初体验

测试效果,可以发现爬取的html都被解析成我们想要的文件了:

自建搜索引擎——开源爬虫框架Heritrix之初体验

自建搜索引擎——开源爬虫框架Heritrix之初体验

版权付亚东笔记博客所有,禁止转载!!付亚东Java笔记博客

我的笔记博客版权我的笔记博客版权
本文地址:https://wdnote.com/post/13.html
版权声明:本文为原创文章,版权归 我的笔记 所有,欢迎分享本文,转载请保留出处!

 发表评论


表情

还没有留言,还不快点抢沙发?