Skip to content

Latest commit

 

History

History
50 lines (41 loc) · 1.65 KB

README.md

File metadata and controls

50 lines (41 loc) · 1.65 KB

ScrapingSpider

C#开发的支持多线程,关键字过滤,正文内容自解析的爬虫 爬虫核心使用业余时间开发

快速开始

Spider主爬虫类介绍

爬虫的核心实现在ScrapingSpider.Core程序集中。爬虫类为Spider类,爬虫的爬取逻辑,与页面处理逻辑通过事件分离,两个关键事件为AddUrlEvent和DataReceivedEvent。

构造Spider类

// 构造爬虫,需要3个参数:爬虫设置,实现了ILogger的日志记录器,上次未执行完的爬取链接
Spider spider = new Spider(new Settings(), new EmptyLogger(), null);

spider.AddUrlEvent += addUrlArgs =>
{
	// Url即将添加到队列的事件处理
};

spider.DataReceivedEvent += receivedArgs =>
{
	// 页面已经被抓取下来的事件,可在此处理页面,例如页面保存添加到数据库
};

// 开始爬取
spider.Crawl();

ScrapingSpider示例代码

  • 具体的使用方法请参考ScrapingSpider项目的Program.cs类中的示例代码。
  • 示例代码使用SqlServer数据库存储爬取信息,表结构与WebPage类对应,数据库连接字符串请参考App.config。
  • 采用log4net作为日志记录组件。

Settings说明

  • Init Seeds: 初始Url地址,多个地址使用回车分开。
  • Regex Filter: 通过正则表达式过滤Url,多个正则使用回车隔开。
  • Keyword: 关键字,按照指定的关键字爬取,多个关键字使用回车分开。
  • Crawl Depth: 爬取深度,小于0表示不限
  • Escape Links: 要过滤的链接,如:.jpg|.rar|.exe
  • Keep Cookie: 抓取过程中是否保留Cookie
  • Lock Host: 是否锁定Host,锁定后,指抓取站点相关链接。
  • Limit Speed: 是否智能限速。
  • Threads: 线程数量,启用多个线程有利于提高爬取效率。
  • Timeout: 超时时间,以毫秒为单位。
  • User Agent: http协议UserAgent设置。

更新日志

  • 2012/12/27 优化CPU及内存占用率;Url支持带参数爬取;
  • 2012/12/25 添加Url正则表达式过滤功能.
  • 2012/12/23 完善说明文档和ScrapingSpider的Settings窗口的使用帮助;解决LockHost无效的问题;完善页面解码的BUG;添加自动限速功能。