Crawler4j Java多线程Web爬虫开源项目

我要开发同款
匿名用户2010年03月02日
155阅读

技术信息

开源地址
https://github.com/yacy/yacy_search_server
授权协议
Apache

作品详情

Crawler4j是一个开源的Java类库提供一个用于抓取Web页面的简单接口。可以利用它来构建一个多线程的Web爬虫。

示例代码:

importjava.util.ArrayList;importjava.util.regex.Patter;importedu.uci.ics.crawler4j.crawler.Page;importedu.uci.ics.crawler4j.crawler.WebCrawler;importedu.uci.ics.crawler4j.url.WebURL;publicclassMyCrawlerextedsWebCrawler{       Patterfilters=Patter.compile(".*(\\.(css|js|bmp|gif|jpe?g"               +"|pg|tiff?|mid|mp2|mp3|mp4"               +"|wav|avi|mov|mpeg|ram|m4v|pdf"               +"|rm|smil|wmv|swf|wma|zip|rar|gz))$");              publicMyCrawler(){       }       publicbooleashouldVisit(WebURLurl){               Strighref=url.getURL().toLowerCase();               if(filters.matcher(href).matches()){                       returfalse;               }               if(href.startsWith("https://www.ics.uci.edu/")){                       returtrue;               }               returfalse;       }       publicvoidvisit(Pagepage){               itdocid=page.getWebURL().getDocid();               Strigurl=page.getWebURL().getURL();                       Strigtext=page.getText();               ArrayList<WebURL>liks=page.getURLs();                     }}

功能介绍

Crawler4j是一个开源的Java类库提供一个用于抓取Web页面的简单接口。可以利用它来构建一个多线程的Web爬虫。 示例代码: import java.util.ArrayList; im...

声明:本文仅代表作者观点,不代表本站立场。如果侵犯到您的合法权益,请联系我们删除侵权资源!如果遇到资源链接失效,请您通过评论或工单的方式通知管理员。未经允许,不得转载,本站所有资源文章禁止商业使用运营!
下载安装【程序员客栈】APP
实时对接需求、及时收发消息、丰富的开放项目需求、随时随地查看项目状态

评论