01-获取指定网站的所有的链接 | 卡卡罗特

需求就是获取指定网站内的所有的url，这个还是有难度的，因为需要一层一层递归遍历进去，然后各种判断提取，如果自己手撸的话会消耗很长的时间，好在java有现成的框架来帮助我们快速实现。

crawler4j实现

依赖

xml

<dependency>
    <groupId>edu.uci.ics</groupId>
    <artifactId>crawler4j</artifactId>
    <version>4.4.0</version>
</dependency>

代码实现

java

import edu.uci.ics.crawler4j.crawler.Page;
import edu.uci.ics.crawler4j.crawler.WebCrawler;
import edu.uci.ics.crawler4j.url.WebURL;

import java.util.regex.Pattern;

public class MyCrawler extends WebCrawler {

    // 过滤掉这些结尾的静态资源
    private final static Pattern FILTERS = Pattern.compile(".*(\\.(css|js|gif|jpg"
                                                           + "|png|mp3|mp4|zip|gz))$");
    // 重写shouldVisit方法，决定哪些URL应该被访问
    @Override
    public boolean shouldVisit(Page referringPage, WebURL url) {
        String href = url.getURL().toLowerCase();
        return !FILTERS.matcher(href).matches()
               && href.startsWith("https://blog.share888.top/");
    }

    // 重写visit方法，定义每次访问一个URL时的行为
    @Override
    public void visit(Page page) {
        String url = page.getWebURL().getURL();
        System.out.println(url);
    }
}

测试代码

java

import ch.qos.logback.classic.Level;
import ch.qos.logback.classic.Logger;
import ch.qos.logback.classic.LoggerContext;
import edu.uci.ics.crawler4j.crawler.CrawlConfig;
import edu.uci.ics.crawler4j.crawler.CrawlController;
import edu.uci.ics.crawler4j.fetcher.PageFetcher;
import edu.uci.ics.crawler4j.robotstxt.RobotstxtConfig;
import edu.uci.ics.crawler4j.robotstxt.RobotstxtServer;
import org.junit.Test;
import org.slf4j.LoggerFactory;

import java.util.List;

public class Test {
    static {
        LoggerContext loggerContext = (LoggerContext) LoggerFactory.getILoggerFactory();
        List<Logger> loggerList = loggerContext.getLoggerList();
        loggerList.forEach(logger -> {
            logger.setLevel(Level.INFO);
        });
    }
    @Test
    public void test() throws Exception {
        // 定义数据存储的路径
        String crawlStorageFolder = "/data/crawl";
        // 定义要启动的爬虫数量
        int numberOfCrawlers = 7;

        // 创建CrawlConfig对象，并设置数据存储路径
        CrawlConfig config = new CrawlConfig();
        config.setCrawlStorageFolder(crawlStorageFolder);

        // 创建PageFetcher对象，用于抓取网页
        PageFetcher pageFetcher = new PageFetcher(config);
        // 创建RobotstxtConfig和RobotstxtServer对象，用于处理robots.txt文件
        RobotstxtConfig robotstxtConfig = new RobotstxtConfig();
        RobotstxtServer robotstxtServer = new RobotstxtServer(robotstxtConfig, pageFetcher);
        // 创建CrawlController对象，用于控制爬虫的启动和管理
        CrawlController controller = new CrawlController(config, pageFetcher, robotstxtServer);

        // 添加种子URL
        controller.addSeed("https://blog.share888.top/");
        // 启动爬虫
        controller.start(MyCrawler.class, numberOfCrawlers);
    }
}

推荐订阅源

卡卡罗特

crawler4j实现 ​

crawler4j实现