GuozhongCrawler是分层架构。要快速学习CrawlTask独立的配置多少要了解框架的源代码。所以CrawTaskBuilder提供要更加扁平且易于理解的的方式创建CrawTask
方法详细资料
useThread
public CrawTaskBuilder useThread(int threadNum)
设置CrawlTask下载处理Request的线程数量
参数:
threadNum
-返回:
CrawTaskBuilder
usePipeline
public CrawTaskBuilder usePipeline(java.lang.Class<? extends Pipeline> pipelineCls)
设置实现好的Pipeline类Class
参数:
pipelineCls
- 持久化处理类返回:
CrawTaskBuilder
usePageRetryCount
public CrawTaskBuilder usePageRetryCount(int retryCount)
如果由于网络问题,请求url时可能会出现失败的情况。那么你设置最大重新请求的次数默认重新请求1次
参数:
retryCount
-返回:
CrawTaskBuilder
usePageEncoding
public CrawTaskBuilder usePageEncoding(PageRequest.PageEncoding defaultEncoding)
一般抓取某个网站会有统一的编码,如果你不想每次都调用PageRequest.setPageEncoding的话,那么你可以设置一个默认的编码
返回:
injectStartUrl
public CrawTaskBuilder injectStartUrl(java.lang.String url, java.lang.Class<? extends PageProcessor> processorCls, java.util.Map<java.lang.String,java.lang.Object> contextAttribute, PageRequest.PageEncoding pageEncoding)
添加种子URL设置附加参数和页面编码格式 每个injectStartUrl方法注入的种子URL会用一个单独的StatContext包装。如果StatContext在抓取过程中不会产生较多新的跟进Request 那么推荐你使用useDynamicEntrance设置入口URL将会更加提升效率
参数:
url
-contextAttribute
-PageEncoding
-返回:
injectStartUrl
public CrawTaskBuilder injectStartUrl(java.lang.String url, java.lang.Class<? extends PageProcessor> processorCls, java.util.Map<java.lang.String,java.lang.Object> contextAttribute)
添加种子URL并设置附加参数 每个injectStartUrl方法注入的种子URL会用一个单独的StatContext包装。如果StatContext在抓取过程中不会产生较多新的跟进Request 那么推荐你使用useDynamicEntrance设置入口URL将会更加提升效率
参数:
url
-contextAttribute
-返回:
injectStartUrl
public CrawTaskBuilder injectStartUrl(java.lang.String url, java.lang.Class<? extends PageProcessor> processorCls)
添加种子URL,并指定PageProcessor。 每个injectStartUrl方法注入的种子URL会用一个单独的StatContext包装。如果StatContext在抓取过程中不会产生较多新的跟进Request 那么推荐你使用useDynamicEntrance设置入口URL将会更加提升效率
参数:
url
-返回:
useDynamicEntrance
public CrawTaskBuilder useDynamicEntrance(java.lang.Class<? extends DynamicEntrance> dynamicEntranceCls)
如果你想在单个StartContext中直接初始化跟进URL,或者让爬虫分批注入种子的话。那么DynamicEntrance提供了这样的接口
参数:
dynamicEntranceCls
- DynamicEntrance的继承实现类返回:
useQueuePriorityRequest
public CrawTaskBuilder useQueuePriorityRequest()
使用优先级队列,在一些抓取分页较多情景下推荐使用QueuePriorityRequest。因为 它能很好的保证优先级高的Request优先被处理。从而防止队列金字塔式的膨胀
返回:
useQueueDelayedPriorityRequest
public CrawTaskBuilder useQueueDelayedPriorityRequest(int delayInMilliseconds)
使用延迟优先级队列,和QueuePriorityRequest类似。但QueueDelayedPriorityRequest额外提供了延迟抓取的功能 在一些因为请求频率过快而被封的网站上推荐使用QueueDelayedPriorityRequest
参数:
delayInMilliseconds
- 每次取Request距离上次时间延迟delayInMilliseconds毫秒返回:
useTaskLifeListener
public CrawTaskBuilder useTaskLifeListener(TaskLifeListener listener)
设置监听器,监听爬虫的CrawlTask的onStart 和 onFinish。在此你可以发送邮件或者其他方式来知晓爬虫的执行情况
参数:
listener
-返回:
useCookie
public CrawTaskBuilder useCookie(java.util.Set<Cookie> cookies)
设置Cookie,当Driver创建时设置cookies。在需要登录情况下你可以将登录好的Cookies注入downloader
参数:
listener
-返回:
addChromeDriverLifeListener
public void addChromeDriverLifeListener(ChromeDriverLifeListener chromeDriverLifeListener)
当你使用ChromeDownloader作为下载器时可以设置ChromeDriverLifeListener
参数:
listener
-addWebDriverLifeListener
public void addWebDriverLifeListener(WebDriverLifeListener webDriverLifeListener)
当你使用WebDriverDownloader作为下载器时可以设置ChromeDriverLifeListener
参数:
listener
-addHttpClientLifeListener
public void addHttpClientLifeListener(HttpClientLifeListener httpClientLifeListener)
当你使用默认的DefaultPageDownloader作为下载器时可以设置HttpClientLifeListener
参数:
listener
-useProxyIpPool
public CrawTaskBuilder useProxyIpPool(java.lang.Class<? extends ProxyIpPool> proxyIpPoolCls, int initSize, long pastTime, int max_use_count)
使用代理IP切换机制时设置一个ProxyIpPool的实现类即可。在封IP网站下推荐使用收费版代理IP效果更佳
参数:
proxyIpPoolCls
-initSize
- 每次代理IP缓冲池IP不足时加载IP的个数,推荐使用公式initSize=thread*5pastTime
- 每个IP自身的过期时间,当代理IP过期时间到的时候会被清除。这个值根据代理IP的质量决定max_use_count
- 每个代理IP最多使用的次数。推荐使用公式max_use_count=(目标网站连续请求才被封的次数)减去 2到3返回:
useProxyIpPoolInstance
public CrawTaskBuilder useProxyIpPoolInstance(ProxyIpPool proxyIpPool)
当然你也可以自己构造一个实例设置ProxyIpPool
参数:
proxyIpPool
-返回:
抛出:
java.lang.SecurityException
java.lang.NoSuchMethodException
useTimer
public final CrawTaskBuilder useTimer(int hour, long period, int endHour)
使用定时循环启动,使用24小时制
参数:
hour
- 从几点开始启动,如果当前时间小于改时间则等待到改时间启动period
- 每次抓取时间间隔 单位毫秒endHour
- 到几点结束返回:
useDownloadFileThread
public CrawTaskBuilder useDownloadFileThread(int thread)
设置同时下载文件的线程数 ,默认3个线程
参数:
thread
-返回:
CrawTaskBuilder
useDownloadFileDelayTime
public CrawTaskBuilder useDownloadFileDelayTime(int millisecond)
文件下载延迟,默认300ms
参数:
millisecond
-返回:
build
public CrawlTask build()
配置完成,即可创建CrawlTask
返回:
CrawlTask