Question

我正在开发一个抓取小型网络目录的项目，并使用crawler4j实现了一个抓取工具。我知道RobotstxtServer应该检查robots.txt文件是否允许/禁止文件，但我的仍然显示一个不应该访问的目录。

我已多次阅读源代码和我的代码，但我似乎无法弄清楚为什么会这样。简而言之，为什么我的程序无法识别robots.txt文件说不要执行的/ donotgohere /文件？

以下是我的程序代码。任何帮助都是极好的。谢谢！

履带：

package crawler_Project1_AndrewCranmer;
import java.util.Set;
import java.util.regex.Pattern;
import java.io.IOException;
import edu.uci.ics.crawler4j.crawler.Page;
import edu.uci.ics.crawler4j.crawler.WebCrawler;
import edu.uci.ics.crawler4j.parser.HtmlParseData;
import edu.uci.ics.crawler4j.url.WebURL;

public class MyCrawler extends WebCrawler
{
    private final static Pattern FILTERS = Pattern.compile(".*(\\.(css|js|gif|jpg|png|mp3|mp3|zip|gz))$");

    @Override public boolean shouldVisit(Page referringPage, WebURL url)
    {
        String href = url.getURL().toLowerCase();
        return !FILTERS.matcher(href).matches()
                && href.startsWith("http://lyle.smu.edu/~fmoore");  
    }

    @Override public void visit(Page page)
    {
        String url = page.getWebURL().getURL();
        System.out.println("URL: " + url);
        if(page.getParseData() instanceof HtmlParseData)
        {
            HtmlParseData h = (HtmlParseData)page.getParseData();
            String text = h.getText();
            String html = h.getHtml();
            Set<WebURL> links = h.getOutgoingUrls();
        }
    }
}

控制器：

package crawler_Project1_AndrewCranmer;
import edu.uci.ics.crawler4j.crawler.CrawlConfig;
import edu.uci.ics.crawler4j.crawler.CrawlController;
import edu.uci.ics.crawler4j.fetcher.PageFetcher;
import edu.uci.ics.crawler4j.robotstxt.RobotstxtConfig;
import edu.uci.ics.crawler4j.robotstxt.RobotstxtServer;

public class Controller 
{
    public static void main(String[] args) throws Exception
    {
        int numberOfCrawlers = 1;
        String crawlStorageFolder = "/data/crawl/root";

        CrawlConfig c = new CrawlConfig();
        c.setCrawlStorageFolder(crawlStorageFolder);
        c.setMaxDepthOfCrawling(-1);    //Unlimited Depth
        c.setMaxPagesToFetch(-1);       //Unlimited Pages
        c.setPolitenessDelay(200);      //Politeness Delay

        PageFetcher pf = new PageFetcher(c);
        RobotstxtConfig robots = new RobotstxtConfig();
        RobotstxtServer rs = new RobotstxtServer(robots, pf);
        CrawlController controller = new CrawlController(c, pf, rs);

        controller.addSeed("http://lyle.smu.edu/~fmoore");

        controller.start(MyCrawler.class, numberOfCrawlers);

        controller.shutdown();
        controller.waitUntilFinish();
    }
}

Answer 1

crawler4j使用网址规范化过程。根据{{3}}网站，事实上的标准，仅在域根上指定robots.txt个文件。因此，crawler4j只会搜索robots.txt。

在您的情况下，http://lyle.smu.edu/未在robots.txt处提供http://lyle.smu.edu/robots.txt（这将提供HTTP 404）。

您的robots.txt位于http://lyle.smu.edu/~fmoore/robots.txt，但框架只会查看域根（如事实上的标准所指定）来查找此文件。因此，它将忽略在您的情况下声明的指令。

crawler4j似乎忽略了robots.txt文件......如何解决？

1 个答案: