c++开源爬虫-Larbin简单介绍

原文地址：http://leihuang.net/2014/06/16/Larbin-Introduction/

由于近期学校实训。做的是一个搜索相关的项目，而且是c++的一个项目。所以就想到了larbin。于是接下来几天就现研究研究其源代码，再依据项目需求改动其源代码。

不多说，直接进入今天的正题。今天的目的就是简单了解下larbin。

Larbin简单介绍

larbin是一种开源的网络爬虫/网络蜘蛛。由法国的年轻人Sébastien Ailleret独立开发，用c++语言实现。larbin目的是可以跟踪页面的url进行扩展的抓取。最后为搜索引擎提供广泛的数据来源。

Larbin仅仅是一个爬虫，也就是说larbin仅仅抓取网页。至于怎样parse的事情则由用户自己完毕。

另外，怎样存储到数据库以及建立索引的事情 larbin也不提供。 　

latbin最初的设计也是根据设计简单可是高度可配置性的原则。因此我们能够看到。一个简单的larbin的爬虫能够每天获取500万的网页，实在是很高效。 　利用larbin，我们能够轻易的获取/确定单个站点的全部联结，甚至能够镜像一个站点；也能够用它建立url 列表群。比如针对全部的网页进行 url retrive后。进行xml的联结的获取。或者是 mp3。或者定制larbin，能够作为搜索引擎的信息的来源。

Larbin官网：http://larbin.sourceforge.net/index-eng.html

How to use Larbin

因为Larbin开发环境是linux所以最好是在linux系统下运行以下的操作。

首先你肯定要下载larbin，能够当官网上下载，然后解压；也能够到我的github上下,命令例如以下。

git clone https://github.com/SpeedMe/larbin.git

进入到文件夹以下，命令段运行以下的命令：

./configure make ./larbin

怎样按自己方式配置larbin

此时你已经配置好了,而且执行了./larbin命令执行起来了。你能够訪问http://localhost:8081/了，可是你是依照官方默认的配置来执行该爬虫的，你也能够自己对其配置文件进行改动。你要改动的配置文件主要有两个options.h和larbin.conf。以下是我当网上找到的配置文件介绍。

每次改动larbin.conf后，不须要运行前两个命令，能够直接运行larbin即：./larbin 可是改动其它文件的时候就要三个命令都运行。

英文好的能够之间看官网上的配置文件介绍:http://larbin.sourceforge.net/custom-eng.html

最经常使用的改动是startUrl的值，即事实上网页的值，你也能够定义多个startUrl。

1、larbin.conf文件

###############################################
//client标记。当对其它站点抓取时。被抓取的站点知道是什么抓取的

UserAgent larbin_2.6.3

############################################
# What are the inputs and ouputs of larbin
# port on which is launched the http statistic webserver
# if unset or set to 0, no webserver is launched

//用于执行的http webserver的端口号（larbin执行时訪问http://localhost:8081/。设置为http_port 8081）.假设将端口设为0，则不会启动webserver。通过这个能够查看爬行结果。

httpPort 8081

# port on which you can submit urls to fetch
# no input is possible if you comment this line or use port 0

//你要爬取url的端口。
假设凝视掉或设为0。则可能没有不论什么输入。假设通过手动或者程序提交爬取的//urls，则必须练就到计算机的TCP端口1976,即设为:inputPort 1976,能够加入爬行的url。

#inputPort 1976

############################################
# parameters to adapt depending on your network
# Number of connexions in parallel (to adapt depending of your network speed)
//并行爬取网页的数量，依据自己环境的网速调解，假设超时太多。则要减少这个并行数量

pagesConnexions 100

# Number of dns calls in parallel
//并行DNS域名解析的数量。


dnsConnexions 5

# How deep do you want to go in a site
//对一个站点的爬取的深度

depthInSite 5

# do you want to follow external links
//不同意訪问外部链接。
假设设置则仅仅可訪问同一主机的连接
#noExternalLinks

# time between 2 calls on the same server (in sec) : NEVER less than 30
//訪问同一server的时间间隔。不可低于30s。建议60s
waitDuration 60

# Make requests through a proxy (use with care)
//是否用代理连接，假设用。则要设置、能够不用尽量不要用，这个选项要慎重
#proxy www 8080

##############################################
# now, let's customize the search

# first page to fetch (you can specify several urls)
//開始爬取的URL
startUrl http://slashdot.org/

# Do you want to limit your search to a specific domain ?
# if yes, uncomment the following line
//这个选项设置了。则不能够爬行指定的特殊域名
#limitToDomain .fr .dk .uk end

# What are the extensions you surely don't want
# never forbid .html, .htm and so on : larbin needs them
//不想要的扩展名文件。一定不要禁止.html、.htm.larbin爬取的就是它们。禁止也是无效的
forbiddenExtensions
.tar .gz .tgz .zip .Z .rpm .deb
.ps .dvi .pdf
.png .jpg .jpeg .bmp .smi .tiff .gif
.mov .avi .mpeg .mpg .mp3 .qt .wav .ram .rm
.jar .java .class .diff
.doc .xls .ppt .mdb .rtf .exe .pps .so .psd
end

2、options.h

2.1 输出模式

// Select the output module you want to use

//默认模式。什么也不输出，不要选择这个
#define DEFAULT_OUTPUT // do nothing...
//简单保存，存在save/dxxxxx/fyyyyy文件里，每一个文件夹下2000个文件
//#define SIMPLE_SAVE // save in files named save/dxxxxxx/fyyyyyy
//镜像方式存储。
按网页的层次存储。能够作为网页的字典。
//#define MIRROR_SAVE // save in files (respect sites hierarchy)
//状态输出。
在网页上进行状态输出，能够查看http://localhost:8081/output.html查看结果
//#define STATS_OUTPUT // do some stats on pages
    这些模式被定制在src/type.h中，能够在src/interf/useroutput.cc中定制自己的输出模式。

   这个文件里还有非常多相关配置，更改后，须要又一次编译。

2.2 特定查询

// Set up a specific search
//设置特定的查询
//#define SPECIFICSEARCH
//内容类型
//#define contentTypes ((char *[]) { "audio/mpeg", NULL })
//文件扩展。用于查询速度。不涉及类型，类型由上一个决定
//#define privilegedExts ((char *[]) { ".mp3", NULL })

2.3 设置完要设置特定文件的管理

#define DEFAULT_SPECIFIC //默认管理方式。
 作为html有限制除了被解析。


// 存储特定文件。
 同意将文件存储在硬盘上 文件能够非常大在src/types.h 能够详细设置。
#define SAVE_SPECIFIC 

//动态存储模式。对于较大的文件动态的分配buffer。
#define DYNAMIC_SPECIFIC 
     能够通过"src/fetch/specbuf.cc" and "src/fetch/specbuf.h" 定义特定文件的管理方式。


2.4 你要爬虫做什么

//不继续子链接。不设置此项则html页不被解析链接也不会爬子链接。
通过输入系统加入url时非常实用
#define FOLLOW_LINKS

//每一个网页中包括的子链接的列表。在"useroutput.cc" 用page->getLinks() 訪问此信息。
#define LINKS_INFO 

//url标签。设置此项url有一个int(默觉得0)。
使用输入系统统时应该给定一个int。能够通过其获取u//rl。能够重定向。
#define URL_TAGS

//不同意反复。
假设设置则遇到同样网页但已遇到过时则无论。
#define NO_DUP

//结束退出。
没有url可爬取时是否退出。
设置则退出。

#define EXIT_AT_END 

//抓取网页中的图片。
设置了此项则要更新larbin.conf中禁止项。
#define IMAGES

//抓取不论什么类型网页无论其的类型。设置要更新larbin.conf。
#define ANYTYPE

//要larbin管理cookies。
仅仅简单实现但非常实用。
#define COOKIES

2.5 其它选项说明

#define CGILEVEL 1        //定于选项及其參数。用于对爬行的url的限制。

#define MAXBANDWIDTH 200000  //larbin使用的带宽大小。
不设置则不限带宽。

#define DEPTHBYSITE          //当url链接到其它站点时新rul的深度是已被初始化的。

2.6 效率和特征

//是否为输入制定一个专用线程。当你在useroutput.cc定义自己的代码时必须设置此项。
#define THREAD_OUTPUT

//重新启动位置记录表。设置此项时能够从上次终止处继续爬取。使用-scratch 选项从上次结束处重新启动。
#define RELOAD

2.7 Larbin怎么工作

#define NOWEBSERVER    //不启动server。
不执行线程时非常实用

#define GRAPH //是否在状态也使用柱状图。


#define NDEBUG //不启动调试信息。

#define NOSTATS //不启动状态输出。


#define STATS //启动状态输出。执行时每一个一段时间就会输出抓取的状态。

#define BIGSTATS //在标准输出上显示每一个被抓去的网页名字。会减少larbin速度

#define CRASH //用于报告严重的bugs用。以gmake debug模式编译时使用。

当你熟悉了上面的配置文件之后，你差点儿相同就能玩转Larbin了，可是呢。有些只一样东西毕竟难以全部人的意愿，所以就须要我们自己来改动源代码了。然后改动之前，我们肯定要先将larbin的代码给过一遍。对它的源代码有一定研究之后再来改。

接下来的几天我就是现研究源代码，然后改动。

乐此不疲～

2014-06-16 21:09:22