WebFetch无依赖极简网络爬虫组件

WebFetch ========== 无依赖极简网络爬虫组件，能在移动设备上运行的微型爬虫。 WebFetch要达到的目标： * 没有第三方依赖jar包 * 减少内存使用 * 提高CPU利用率 * 加快网络爬取速度 * 简洁明了的api接口 * 能在Android设备上稳定运行 * 小巧灵活可以方便集成的网页抓取组件 使用文档 --------- WebFetch的使用非常简单，让小白用户快速上手，WebFetch为用户配置默认页面处理方法，默认将抓取到的页面信息使用`System.out.print`输出到控制台（通过配置PageHandler修改默认操作）。 启动代码： ```java WebFetch webFetch = new WebFetch(); webFetch.addBeginTask("https://github.com").start(); ``` 停止代码： ```java webFetch.close(); ``` WebFetch执行`start()`方法后不会阻塞程序执行，可以加入多个网页地址，目前支持http与https，至少需要一个起始地址。 ps 当前版本（webfetch_v0.0.1）稳定运行环境为Java桌面环境 WebFetch高级配置 -------- WebFetch提供了许多实用的设置接口，支持使用链式调用方法进行设置。以下给出最常使用方法的说明与示例。 * `addBeginTask(String url)` 网页抓取任务的输入方法，可以多次调用加入起始地址，通过传入不同的参数，比如Cookie的设置，网页编码方式设置等，也可以直接传入Request对象（Request包含请求的所有信息，可以通过set的方式设置）。 ```java //最简单的调用方式是直接传入url webFetch.addBeginTask("https://github.com"); ``` * `addRule(String pattern)` 添加URL抓取规则，可以加入多个规则，多个规则之间是“与”的关系，采用正则表达式进行验证，解析得到的URL必须通过验证才能加入到新的任务队列。例如： ```java //只抓取github.com下，带有p关键字的URL，其他解析出来的URL直接丢弃 webFetch.addRule(".*?github\.com.*?p.*?"); ``` * `setMaxPageLayer(int max)` 设置抓取网页的层次，从0开始为起始地址一直到n，当为负数时则无限层数。这项设置是WebFetch特别设计的，不完全统计其它爬虫基本没有此项功能。网页抓取任务使用队列进行调度，狭义的广度优先（其实就是为了能抓取盗版小说准备的特殊接口）。 ```java //使用层的设置可以很方便的抓取目录内容， //例如，设置抓取两层内容，以新闻目录页面为入口， //则其只抓取第一层的新闻目录以及第二层页面的新闻内容，避免写复杂的规则 webFetch.setMaxPageLayer(1); ``` 例如：网站结构如下(A,B,C...均代表网页) ``` layer 0 1 2 3 A---B |-C---E---F |-D---G ``` A是使用addBeginTask传入的起始地址网页，A为第0层，B,C,D为第1层，E,G为第2层，F为第3层。 ```java //设置A为起始页面，搜索层次为两层（第一层为0） webFetch.addBeginTask("http://A").setMaxPageLayer(1).start(); ``` 抓取得到的页面集合为{A, B , C , D}。WebFetch会在内存中记录已经访问过的url，避免出现重复循环访问的情况。 * `setPageHandler(PageHandler pageHandler)` 通过传入实现PageHandler接口对象自定义抓取到页面后的处理方法。WebFetch实现了默认的`DefaultPageHandler`，直接通过`System.out.print`打印到控制台，为小白用户准备的懒人接口，通过传入自定义的PageHandler可以取消默认操作。 ```java public interface PageHandler { //finish接口返回抓取到的页面（只返回StatusCode=200的请求页面） public void finish(Page page); //此借口是为需要使用到数据库进行存储进行设计的，在调用WebFetch.close()后会调用此接口 public void close(); } ``` `PageHandler`用户可以使用此接口处理被抓取到的页面，例如数据库存储等操作。WebFetch默认开启多个线程进行页面处理（与http请求线程不同），所以用户可以放心的实现此方法，不必担心是否要实现非阻塞的方法（考虑到资源受限，才用线程池进行管理，如果所有线程都阻塞则任务进入等待队列，直到有线程空闲）。 * `setURLParser(URLParser parser)` 通过传入页面自定义页面URL解析实例改变默认的页面URL抽取规则。 ```java public interface URLParser { public Vector<Request> parse(Request parentPage); } ``` WebFetch使用正则表达式抽取`<a>`中`href="..."`指定的URL方法，目的是为减少对第三方的依赖，用户可以自行实现此接口，比如加入jsoup进行分析。 `Request`提供`public static Request createSub(String mUrl , Request parentRequest)`方法，实现处理那些相对地址情况。 比如：http://abc.def/web/index.html 中存在一个连接`<a href="./page.html">`，抓取到的URL为`./page.html`而用此URL发起的http请求是错误的，使用`Request.createSub`方法可以修正此URL为http://abc.def/web/page.html 。 * 其它设置项目说明： ```java public class WebFetch { ... //设置网络爬虫的线程数量，与页面处理分离，实现专一的网络爬取工作，默认线程数为5 public WebFetch setThreadSize(int max); //设置一个页面的重试次数，默认为不重试 public WebFetch setRetryTimes(int times); //代理设置 public WebFetch setProxy(String host , int port , Proxy.Type type); //设置发起http请求的次数（无论正确与错误），默认为不限制 public WebFetch setMaxTaskSize(int max); //设置连接超时时间，默认为8秒 public WebFetch setConnectionTimeout(int timeout); //设置页面读取超时时间，默认为10秒 public WebFetch setReadTimeout(int timeout); } ``` 关于 ---- 第一个版本还需要不断改进与完善，希望大家提出宝贵的改进意见，感谢大家的支持。 联系方式：wanghailiang333@qq.com