【标题】：源代码发布 snoics-reptile 网页爬虫2.0
【关键字】：snoics-reptile,2.0
【来源】：http://www.blogjava.net/snoics/archive/2006/06/03/50102.html

源代码发布 snoics-reptile 网页爬虫2.0

源代码发布

snoics-reptile?网页爬虫2.0?

作者：	施伟
EMail：	snoics@hotmail.com
主页：	http://www.blogjava.net/snoics

FAQ

1、snoics-reptile是什么？

????是用纯Java开发的，用来进行网站镜像抓取的工具，可以使用配制文件中提供的URL入口，
把这个网站所有的能用浏览器通过GET的方式获取到的资源全部抓取到本地，包括网页和各
种类型的文件，如：图片、flash、mp3、zip、rar、exe等文件。可以将整个网站完整地下传至
硬盘内，并能保持原有的网站结构精确不变。只需要把抓取下来的网站放到web服务器
(如：Apache)中，就可以实现完整的网站镜像。

2、现在已经有了其他的类似的软件，为什么还要开发snoics-reptile？

????因为有些在抓取的过程中经常会出现错误的文件，而且对很多使用
javascript控制的URL没有办法正确的解析，而snoics-reptile通过对外提供
接口和配置文件的形式，对特殊的URL，可以通过自由的扩展对外提
供的接口，并通过配置文件注入的方式，基本上能实现对所有的网页都
正确的解析和抓取。

3、如何使用？

????a、配置 bin\snoics-configpath.xml 文件

????????将配置文件中的path节点的值改为conf文件夹在系统中的绝对路径，
????????如: c:\snoics-reptile\conf

????b、配置 conf\snoics-systemconfig.xml 文件

????????其中parameters节点中的配置为对需要抓取的网站的参数的配置，

????????以下是各个参数的说明：

????????1、websitename：

????????站点的名称(不能为空，由字母和数字组成)

????????2、charsetName：

????????该站点使用的字符集类型

????????3、website：

????????将被抓取的站点的域名

????????4、startpage：

????????抓取的起始页面

????????5、url：

????????该站点中将被抓取的部分(如果留空则为整个站点，可以有多个URL，
每个URL之间使用";"隔开)

????????6、remoteurlflag：

????????代表远程URL的标志，没有特殊情况请不要修改此处，使用默认值
(多个之间使用";"隔开)

????????7、forbidurl：

????????该站点中不被抓取的部分(多个之间使用";"隔开)

????????8、cachefile：

????????该站点使用的缓存文件，如果缓存文件不存在则自动创建一个新的，
如果已经存在，则会载入文件中保存的信息

????????9、filerootpath：

????????抓取下的文件的保存路径(必须是系统中的绝对路径)

????????10、indexpage：

????????将被保存成index.html文件名的URL类型(多个之间使用";"隔开)

????????11、filenamelength：

????????页面保存到本地时，随机生成的文件名的长度

????????12、cacheunitsize：

????????一个cache单元的大小

????????13、reptile-downloadfiletype：

????????将被抓取到本地的文件类型(多个之间使用";"隔开)

????????14、reptile-undownloadfiletype：

????????页面被保存到本地时，该种类型的文件的URL将被改成远程的URL地址
，如果这种类型出现在reptile-downloadfiletype中时，则文件将被抓取到本地，
而URL也将改成本地的URL(多个之间使用";"隔开)

????c、在参数配置好之后，执行bin/run.bat文件

4、如何扩展接口？

????扩展接口使用的配置文件是：conf/snoics-reptile-urlregex.xml

????首先加入一段如下的配置
????<bean id="ahrefRegexUrl" class="com.snoics.reptile.regex.url.impl.UrlRegex" singleton="false">
????????<property name="regexUrl">
????????????
????????????<value><![CDATA[<[^!<>]*\shref\s*=\s*["']?[^<>]*["'\s][^<>]*>]]></value>
????????</property>
????????<property name="replaceRegexUrl">
????????????
????????????<value><![CDATA[<[^!<>]*\shref\s*=\s*["']?reptile-replace-string["'\s][^<>]*>]]></value>
????????</property>
????????<property name="getRegexUrl">
????????????
????????????<ref bean="ahrefGetRegexUrl"/>
????????</property>
????</bean>
????

????其中ahrefGetRegexUrl是实现了com.snoics.reptile.regex.url.IGetUrlRegex接口的类，用来从可能包含了URL的字符串里面提取其中包含的URL

??? 其次加入如下的配置：

???? <bean id="ahrefGetRegexUrl" class="com.snoics.reptile.regex.url.impl.AhrefGetRegexUrl" singleton="false">
???????? <property name="regexString">
????????????? 
?????????????? <value><![CDATA[href\s*=\s*["']?[^\s"]+["'\s]\s*]]></value>
???????? </property>
???????? <property name="unIncludeRegexString">
??????????????? 
??????????????? ?<value><![CDATA[javascript\s?:\s?;mailto\s?:\s?;^#$;]]></value>
?????????? </property>
????? </bean>

????最后，在如下的配置中，加入刚才配置好的部分

????<bean id="urlRegexMap" class="com.snoics.reptile.regex.url.impl.UrlRegexMap">
????????<property name="ulrRegexMap">
????????????<map>
????????????????
????????????????<entry key="ahref">
????????????????????
????????????????????<ref bean="ahrefRegexUrl"/>
????????????????</entry>
????????????????<entry key="src">
????????????????????<ref bean="srcRegexUrl"/>
????????????????</entry>
????????????</map>
????????</property>
????</bean>

5、版本历史
2.0：	核心代码全部重写，增加了扩展性，通过扩展之后，基本上能实现对整个网站完整的解析
1.0：	实现了整站抓取的基本的功能，不能解析特殊的URL，对javascript无法辨认