WebCollector爬虫的redis插件

lizh

　　使用WebCollector的redis插件，进行爬取。（使用redis数据库进行任务管理）


/**
* RedisCrawler是WebCollector的一个插件，将WebCollector的任务管理交
* 给redis数据库，使WebCollector可以进行海量网页的爬取
*/
public class MyCrawler extends RedisCrawler{
public MyCrawler(String tableName,String ip,int port){
super(tableName,ip,port);
}
@Override
public void visit(Page page){
System.out.println(page.getDoc().title());
}
/*运行程序前请开启redis数据库*/
public static void main(String[] args) throws Exception{
/*mytest是任务名(用于区别不同爬虫),"127.0.0.1"和6379是redis数据库的ip和端口*/
MyCrawler crawler=new MyCrawler("mytest", "127.0.0.1", 6379);
/*爬取合肥工业大学新闻网*/
crawler.addSeed("http://news.hfut.edu.cn/");
crawler.addRegex("http://news.hfut.edu.cn/.*");
/*过滤图片*/
crawler.addRegex("-.*#.*");
crawler.addRegex("-.*png.*");
crawler.addRegex("-.*jpg.*");
crawler.addRegex("-.*gif.*");
crawler.addRegex("-.*js.*");
crawler.addRegex("-.*css.*");
/*设置线程数*/
crawler.setThreads(30);
/*设置是否为断点爬取模式*/
crawler.setResumable(false);
/*开始深度为5的爬取*/
crawler.start(5);
}
}