配置介紹：

config．setMaxDepthOfCrawling（int maxDepthOfCrawling）：抓取深度限制，默認(rèn)抓取深度不受限制（設(shè)定值為－1也不受限制）。如種子頁面為A，A鏈接到B，B鏈接到C，C鏈接到D。種子頁面A的深度為0，B的深度為1，以此類推。如果設(shè)定值為2，就不會抓取到D鏈接的內(nèi)容。

config．setPolitenessDelay（int politenessDelay）：每次請求前等待毫秒數(shù)，默認(rèn)不等待。可以防止抓取請求過快而被服務(wù)器端認(rèn)為是非法請求而終止訪問的情況。

可以通過如下代碼設(shè)定代理設(shè)置：

crawlConfig．setProxyHost（＂proxyserver．example．com＂）；

crawlConfig．setProxyPort（8080）；

如果代理需要認(rèn)證：

crawlConfig．setProxyUsername（username）；

crawlConfig．getProxyPassword（password）；

解析器

代碼解釋：

shouldVisit（）：用來實(shí)現(xiàn)滿足抓取數(shù)據(jù)的條件，如滿足抓取條件則返回true，返回false代表不滿足條件則放棄本次抓取。

visit（）： 抓取返回的響應(yīng)結(jié)果，此示例中通過Jsoup來解析響應(yīng)內(nèi)容。Jsoup的代碼解析語法遵循JavaScript規(guī)范要求，對熟悉JavaScript的開發(fā)者使用起來比較方便易懂。

標(biāo)簽定位：HTML標(biāo)簽定位可以通過瀏覽器控制臺的方式進(jìn)行查看。

資源庫：

本示例中通過Java標(biāo)準(zhǔn)輸出流來替代資源庫的實(shí)現(xiàn)部分，未單獨(dú)實(shí)現(xiàn)資源庫的代碼。從輸出結(jié)果可以看出項(xiàng)目設(shè)定10個線程同時(shí)抓取滿足條件的第一級深度的博客文章共計(jì)21篇。

規(guī)避反爬蟲技術(shù)

在實(shí)際項(xiàng)目抓取的過程中應(yīng)該滿足君子協(xié)議即不違背robots．txt定義的抓取協(xié)議。同時(shí)爬蟲項(xiàng)目的開發(fā)中可能會遇被抓取的WEB網(wǎng)站對訪問頻繁程度的限制，異步Ajax動態(tài)渲染數(shù)據(jù)等。可以參考如下方法解決：

通過設(shè)定動態(tài)IP代理的方式，每抓取幾次之后動態(tài)更換IP地址，讓服務(wù)器端判斷每次IP來源不同；

通過設(shè)定抓取前休眠時(shí)間來降低抓取頻度；

分析動態(tài)Ajax請求，結(jié)合Jsoup進(jìn)行單獨(dú)的URL請求，獲取異步請求數(shù)據(jù)響應(yīng)內(nèi)容；

通過Selenium等相關(guān)自動化測試工具，模擬真實(shí)的瀏覽器請求獲取Ajax異步請求渲染之后的數(shù)據(jù)；

通過設(shè)定Header中的值，來規(guī)避相關(guān)請求參數(shù)的限制。