WebMagic(二)----抓取CSDN博客、并打印

新建一个Maven项目、在pom文件中加入WebMagic必须的一些jar包.

测试类:

public class App implements PageProcessor
{
	private Site site = Site.me().setSleepTime(1);
	int temp=1;
	
	
	//执行这个main方法，即可在控制台看到抓取结果。webmagic默认有3秒抓取间隔，请耐心等待。
    public static void main( String[] args )
    {
    	//Spider是爬虫的入口类,addurl为入口url
		Spider oschinaSpider = Spider.create(new App()).addUrl("http://blog.csdn.net/CHENYUFENG1991/article/list/1")
				//Pipeline是结果输出和持久化的接口，这里ConsolePipeline表示结果输出到控制台
				.addPipeline(new ConsolePipeline());
		try {
			//添加到JMT监控中
			SpiderMonitor.instance().register(oschinaSpider);
			//设置线程数
			//oschinaSpider.thread(5);
			oschinaSpider.run();
		} catch (JMException e) {
			e.printStackTrace();
		} 
    }

    //process（过程）
	public void process(Page page) {
		
		//通过page.putField()来保存抽取结果
		//page.getHtml().xpath()则是按照某个规则对结果进行抽取，这里抽取支持链式调用
		List<String> pages=page.getHtml().xpath("[@class='pagelist']").links().all();
		if (pages.size()>5) {
			pages.remove(pages.size()-1);
		}
		page.addTargetRequests(pages);//用于获取所有满足"(http://blog\\.csdn\\.net/u012012240/article/month/2016/08/\\d+)"这个正则表达式的链接
		//区分是列表页面还是信息页面
		if (page.getUrl().regex("article/list").match()) {
			List<String> links = page.getHtml().xpath("[@class='link_title']").links().regex("http://blog\\.csdn\\.net/chenyufeng1991/article/details/\\d+").all();
			//通过page.addTargetRequests()方法来增加要抓取的URL
			page.addTargetRequests(links);	
		}else {
			System.out.println("记录数:"+temp++);
			page.putField("title", page.getHtml().xpath("//[@class='link_title']/a/text()").toString());
		}
		
	}

	public Site getSite() {
		return site;
	}
}

运行结果为:

完整的demo: http://download.csdn.net/detail/u011781521/9672508