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(); }}







评论