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。