java - crawler4j 似乎忽略了 robots.txt 文件...如何解决？

Question

我正在做一个爬取小型 Web 目录的项目，并使用 crawler4j 实现了一个爬虫。我知道 RobotstxtServer 应该检查 robots.txt 文件是否允许/禁止文件，但我的仍然显示不应访问的目录。

我已经多次阅读源代码和我的代码，但我似乎无法弄清楚这是为什么。简而言之，为什么我的程序无法识别 robots.txt 文件指示不要执行的/donotgohere/文件？

下面是我的程序代码。任何帮助都是极好的。谢谢!

爬虫:

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();
        }
    }
}

Controller :

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 URL 规范化过程。根据robotstxt.org网站，事实上的标准，只指定域根目录下的 robots.txt 文件。出于这个原因，crawler4j 只会在那里搜索 robots.txt。

在你的情况下 http://lyle.smu.edu/ 没有在 http://lyle.smu.edu 提供 robots.txt/robots.txt(这将给出 HTTP 404)。

您的 robots.txt 位于此处 http://lyle.smu.edu/~fmoore/robots.txt，但框架只会查看域root (如实际标准指定的那样)来查找此文件。因此，它将忽略在您的案例中声明的指令。