JAVA爬虫Nutch、WebCollector的正则约束

爬虫爬取时，须要约束爬取的范围。

基本全部的爬虫都是通过正則表達式来完毕这个约束。

最简单的，正则：

http://www.xinhuanet.com/.*

代表"http://www.xinhuanet.com/"后加随意个随意字符（能够是0个）。

通过这个正则能够约束爬虫的爬取范围,可是这个正则并非表示爬取新华网全部的网页。

新华网并非仅仅有www.xinhuanet.com这一个域名，还有非常多子域名，类似:news.xinhuanet.com

这个时候我们须要定义这样一个正则:

http://([a-z0-9]*\.)*xinhuanet.com/

这样就能够限制爬取新华网全部的网页了。

每种爬虫的正则约束系统都有一些差别，这里拿Nutch、WebCollector两家爬虫的正则系统做对照：

Nutch官网：http://nutch.apache.org/

WebCollector官网:http://crawlscript.github.io/WebCollector/

1.Nutch:

nutch的正则约束是依赖一个配置文件 conf/regex-urlfilter.txt 来实现的。

比如：

+^http://www.xinhuanet.com/

+^http://news.xinhuanet.com/

-^http://blog.xinhuanet.com/

nutch的正则约束原则是：

1）逐行扫描，对每一行进行例如以下操作：

去掉正则前面的加号或减号。获取正则式。看待爬取网页的url中是否包括当前正则的模式。假设包括。看正则前的符合。假设为+，则当前url无需过滤。返回当前url，假设为-，则当前url须要过滤。返回null。假设待爬取网页url中不包括当前正则的模式，则跳过（继续下一行操作）。

2）假设扫描到文件结尾，都没有返回：

返回null。

有2个地方须要注意：

1）nutch的正则过滤时，採用的匹配函数式Patterm.matcher。而不是Patterm.matches。

Patterm.mather在匹配时。仅仅要找到待爬取网页的url的子串和正则匹配，就通过。

Patterm.matcher要求待爬取网页的url和regex全然匹配。比如:

待爬取网页的网址是 http://www.xinhuanet.com/index.html

正则是^http://([a-z0-9]*\.)*xinhuanet.com

这个正则用Patterm.matcher和网页url能够匹配。由于网页url的字串http://www.xinhuanet.com和正则能匹配。

可是用Patterm.matches就不能匹配。

正则须要改成^http://([a-z0-9]*\.)*xinhuanet.com.*才干够和网页的URL匹配。

也就是说nutch的正则事实上是和找url中是否有字串符合正则。所以做nutch的正则配置文件时。要在http前增加^符号，假设正则没有加^符号，比如+http://www.xinhuanet.com ,以下网址也是能够匹配的:

http://www.abc.com/index.php?name=http://www.xinhuanet.com

2）nutch正则过滤时，是逐行扫描，一旦扫描到匹配行就返回结果。所以正则式的顺序非常重要。比如能够通过以下的配置文件来完毕全网爬取（须要过滤图片等文件为不爬取）：

-\.(gif|GIF|jpg|JPG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe)$

+.

先扫描第一行，遇到gif、JPG等文件，会匹配正则。因为前面符号是-,所以返回null，url被过滤。

假设当前url不正确应gif、JPG等文件，会继续扫描第二行，第二行能够匹配随意字符串。因为前面符号是+。所以返回当前url。当前url被接受。

2.WebCollector:

WebCollector的正则约束是直接通过程序指定的：

BreadthCrawler crawler=new BreadthCrawler();

.....

.....

crawler.addRegex("+http://www\\.xinhuanet\\.com/.*");

crawler.addRegex("-http://www\\.xinhuanet\\.com/special/.*");

crawler.addRegex("-http://www\\.xinhuanet\\.com/info/.*");

WebCollector中正则有两种。正例正则，和反例正则。

url要被接受。须要符合以下2个条件。

1.至少符合一条正例正则。

2.不能符合随意一条反例正则。

正例正则以+开头，反例正则以-开头（假设前面不加符号，默认是正例正则)。

上面代码中，http://www.xinhuanet.com/auto/index.html就能够被接受。由于它符合一条正例http://www.xinhuanet.com/.* ，不符合随意一条反例正则(http://www.xinhuanet.com/special/.*和http://www.xinhuanet.com/info/.*)。

必须给出至少一条正例正则，才干够进行爬取，假设没有正例正则，不能符合上面的条件一。

WebCollector中正则匹配採用的是Patterm.matches。要求正则与URL全然匹配。

假设上面代码中你的正则写成+http://www.xinhuanet.com/，而不是+http://www.xinhuanet.com/.*，那么仅仅有网页http://www.xinhuanet.com/能够被接受，网页http://www.xinhuanet.com/index.html就不能被接收。

以下给出一个样例，爬取新华网的news.xinhuanet.com子域名。过滤掉gif和jpg图像：

BreadthCrawler crawler=new BreadthCrawler();

.....

.....

crawler.addRegex("+http://news\\.xinhuanet\\.com/.*");

crawler.addRegex("-.*gif.*");

crawler.addRegex("-.*jpg.*");