我在加载链接列表时遇到问题;这些链接应该由 controller.addSeed
在循环中使用。这是代码
SelectorString selector = new SelectorString();
List <String> lista = new ArrayList<>();
lista=selector.leggiFile();
String crawlStorageFolder = "/home/usersstage/Desktop/prova";
for(String x : lista){
System.out.println(x);
System.out.println("----");
}
// numberOfCrawlers mostra il numero di thread inizializzati per il
// crawling
int numberOfCrawlers = 2; // threads
CrawlConfig config = new CrawlConfig();
config.setCrawlStorageFolder(crawlStorageFolder);
// Non mandare più di una richiesta per secondo (1000 mills || 200
// mills?)
config.setPolitenessDelay(200);
// profondità del crawl. -1 per illimitato
config.setMaxDepthOfCrawling(-1);
// numero massimo di pagine da crawllare
config.setMaxPagesToFetch(-1);
config.setResumableCrawling(false);
// instanza del controller per questo crawl
PageFetcher pageFetcher = new PageFetcher(config);
RobotstxtConfig robotstxtConfig = new RobotstxtConfig();
RobotstxtServer robotstxtServer = new RobotstxtServer(robotstxtConfig,
pageFetcher);
CrawlController controller = new CrawlController(config, pageFetcher,
robotstxtServer);
// LOOP used to add several websites (more than 100)
for(int i=0;i<lista.size();i++){
controller.addSeed(lista.get(i).toString());
}
controller.start(Crawler.class, numberOfCrawlers);
我需要爬入此站点并仅检索 rss 页面,但爬网列表的输出为空。
最佳答案
您发布的代码显示了如何配置 CrawlController。但如果您只需要爬取rss资源,则需要配置Crawler。 该逻辑属于爬虫上的“shouldVisit”方法。 检查this示例。
关于java - 使用 Crawler4j 爬网站点列表,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/25138938/