WebCollector下载整站页面(JAVA网络爬虫)

很多业务需要下载整站页面（有时为多个站点），将页面按照网站拓扑结构存放。

下面给出用JAVA爬虫WebCollector(2.09版本以上)爬取整站网页并按照网页拓扑结构存储到本地的代码。

代码中的抽取器可以作为一个插件复用。

WebCollector的jar包可到官网下载：WebCollector官网。进入官网后下载webcollector-版本号-bin.zip，解压得到所需jar包。

import cn.edu.hfut.dmic.webcollector.crawler.MultiExtractorCrawler;
import cn.edu.hfut.dmic.webcollector.extract.Extractor;
import cn.edu.hfut.dmic.webcollector.extract.ExtractorParams;
import cn.edu.hfut.dmic.webcollector.model.Page;
import cn.edu.hfut.dmic.webcollector.util.FileSystemOutput;
import cn.edu.hfut.dmic.webcollector.util.FileUtils;

import java.io.File;

/**
 * Created by hu on 2015/6/25.
 */
public class HtmlExtractor extends Extractor{

    FileSystemOutput fsOutput;

    public HtmlExtractor(Page page, ExtractorParams params) {
        super(page, params);
        /*每次抽取都会实例化一个Extractor对象，为了让所有Extractor对象共享一个FileSystemOutput对象，
          在外部实例化一个FileSystemOutput对象fsOutput，以参数形式传给每个Extractor对象，这里是获取
          外部传入的FileSystemOutput对象*/
        fsOutput= (FileSystemOutput) params.get("fsOutput");
    }

    @Override
    public boolean shouldExecute() {
        //我们希望对所有网页执行此抽取器
        return true;
    }

    @Override
    public void extract() throws Exception {
        //本程序不需要进行网页抽取，所以extract()方法中不需要插入代码
    }

    @Override
    public void output() throws Exception {
        fsOutput.output(page);
    }

    public static void main(String[] args) throws Exception {

        /*如果下载文件夹存在，先删除文件夹*/
        File downloadDir=new File("download");
        if(downloadDir.exists()){
            FileUtils.deleteDir(downloadDir);
        }

        FileSystemOutput fsOutput=new FileSystemOutput("download");

        MultiExtractorCrawler crawler=new MultiExtractorCrawler("crawl",true);
        crawler.addSeed("http://36kr.com/");
        crawler.addRegex("http://36kr.com/.*");
        crawler.addExtractor(".*", HtmlExtractor.class, new ExtractorParams("fsOutput",fsOutput));
        crawler.start(100);
    }
}

程序执行后可到download文件夹中查看保存的网页：