ScrapingSpider 网页爬虫

程序名称：ScrapingSpider

授权协议: 未知

操作系统: Windows

开发语言: C#

ScrapingSpider 介绍

ScrapingSpider 是一个业余时间开发的，支持多线程，支持关键字过滤，支持正文内容智能识别的爬虫。

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。

示例代码：

// 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。

ScrapingSpider 官网

https://github.com/stanzhai/ScrapingSpider