WebCollector入门教程（中文版）

WebCollector爬虫官网：https://github.com/CrawlScript/WebCollector

技术讨论群：250108697

1.将WebCollector导入工程：

进入WebCollector主页：https://github.com/CrawlScript/WebCollector

下载：webcollector-版本号-bin.zip

将解压后文件夹中的所有jar包添加到工程既可。

2.用WebCollector爬取整个网站：

爬取新华网整站内容：

public class Demo {

    public static void main(String[] args) throws IOException {
        BreadthCrawler crawler = new BreadthCrawler();
        crawler.addSeed("http://www.xinhuanet.com/");  
    crawler.addRegex("http://www.xinhuanet.com/.*");     
        /*网页、图片、文件被存储在download文件夹中*/
        crawler.setRoot("download");
        /*进行深度为5的爬取*/
        crawler.start(5);
    }
}

3.用WebCollector进行精准抽取：

爬取《知乎》并进行问题精准抽取的爬虫（JAVA）:

public class ZhihuCrawler extends BreadthCrawler{

    /*visit函数定制访问每个页面时所需进行的操作*/
    @Override
    public void visit(Page page) {
        String question_regex="^http://www.zhihu.com/question/[0-9]+";
        if(Pattern.matches(question_regex, page.getUrl())){
            System.out.println("正在抽取"+page.getUrl());
            /*抽取标题*/
            String title=page.getDoc().title();
            System.out.println(title);
            /*抽取提问内容*/
            String question=page.getDoc().select("div[id=zh-question-detail]").text();
            System.out.println(question);

        }
    }

    /*启动爬虫*/
    public static void main(String[] args) throws IOException{  
        ZhihuCrawler crawler=new ZhihuCrawler();
        crawler.addSeed("http://www.zhihu.com/question/21003086");
        crawler.addRegex("http://www.zhihu.com/.*");
        crawler.start(5);  
    }


}

4.用WebCollector爬取指定URL列表的网页（不需要递归爬取）。

public class Demo2 {

    public static void main(String[] args) throws IOException {
        /*设置递归爬取时每个页面产生的URL数量，这里不需要递归爬取*/
        Config.topN=0;
        BreadthCrawler crawler = new BreadthCrawler();
        crawler.addSeed("http://www.xinhuanet.com/");   
        crawler.addSeed("http://www.sina.com.cn/");
   crawler.addRegex(".*"); 
    /*网页、图片、文件被存储在download文件夹中*/
        crawler.setRoot("download");
        /*进行深度为1的爬取*/
        crawler.start(1);
    }
}

5.用WebCollector爬取站内以及外站内容：

爬取新华网以及新华网内所有外链的内容，以及外链的外链.......

public class Demo3 {

    public static void main(String[] args) throws IOException {
        BreadthCrawler crawler = new BreadthCrawler();
        crawler.addSeed("http://www.xinhuanet.com/");       
        /*网页、图片、文件被存储在download文件夹中*/
        crawler.setRoot("download");
    /*指定对爬取URL的限制（URL正则)*/
       crawler.addRegex(".*");
        /*进行深度为5的爬取*/
        crawler.start(5);
    }
}

6.高级参数配置：

public class Demo4 {

    public static void main(String[] args) throws IOException {
        BreadthCrawler crawler = new BreadthCrawler();
        crawler.addSeed("http://www.xinhuanet.com/");   
        
        /*URL信息存放路径*/
        crawler.setCrawlPath("crawl");
        
        /*网页、图片、文件被存储在download文件夹中*/
        crawler.setRoot("download");
        
        /*正规则，待爬取网页至少符合一条正规则，才可以爬取*/
        crawler.addRegex("+^http://www.xinhuanet.com/");        
        crawler.addRegex("+^http://news.xinhuanet.com.*");
        
        /*负规则，只要符合一条负规则，跳过，不爬取*/
        crawler.addRegex("-^http://news.xinhuanet.com/edu.*");
        
        /*线程数*/
        crawler.setThreads(30);
        
        /*设置User-Agent*/
        crawler.setUseragent("Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:26.0) Gecko/20100101 Firefox/26.0");
        
        /*设置cookie*/
        crawler.setCookie("你的Cookie");
        
        /*设置是否支持断点爬取*/
        crawler.setResumable(false);
        
        /*进行深度为5的爬取*/
        crawler.start(5);
    }
}