限制URL仅限种子URL域crawler4j
我希望crawler4j以这样的方式访问页面,使它们只属于种子中的域。 种子中有多个域。 我该怎么做?
假设我正在添加种子URL:
- www.google.com
- www.yahoo.com
- www.wikipedia.com
现在我开始抓取,但我希望我的抓取工具仅在以上三个域中访问页面(就像shouldVisit()
)。 显然有外部链接,但我希望我的抓取工具仅限于这些域。 子域,子文件夹是可以的,但不在这些域之外。
如果您尝试将抓取工具限制为仅具有与种子url相同的url的url,则:
-
从种子URL中提取域名。
-
使用
shouldVisit
方法编写您的爬虫类(扩展WebCrawler
),以过滤掉其域不在集合中的任何URL。 -
配置控制器,添加种子并以正常方式启动…按照此处的示例。
代表OP发表:
得到了解决方案: http : //code.google.com/p/crawler4j/issues/detail?id = 94#c1