WebMagic in Action

       最近，公司地产项目需求要爬取房地产相关网站数据，之前一直在用WebHarvest+EJB+JPA框架+glassfish服务器进行数据的爬取，但是随着数据源的增多，项目所占资源庞大，效率逐步的降低，想换个爬虫框架，所以小编在Git上找了一下java相关的爬虫框架，最后选定了WebMagic，主要是因为此框架内置多线程机制并且可以管理内核的占用率，并且可以使用xpath进行页面元素抽取的垂直类型爬虫，花时间着手研究了一下，写个Demo分享给大家。

        1.一个框架，一个领域

一个好的框架必然凝聚了领域知识。WebMagic的设计参考了业界最优秀的爬虫Scrapy，而实现则应用了HttpClient、Jsoup等Java世界最成熟的工具，目标就是做一个Java语言Web爬虫的教科书般的实现。

如果你是爬虫开发老手，那么WebMagic会非常容易上手，它几乎使用Java原生的开发方式，只不过提供了一些模块化的约束，封装一些繁琐的操作，并且提供了一些便捷的功能。

如果你是爬虫开发新手，那么使用并了解WebMagic会让你了解爬虫开发的常用模式、工具链、以及一些问题的处理方式。熟练使用之后，相信自己从头开发一个爬虫也不是什么难事。

2.微内核和高可扩展性

WebMagic由四个组件(Downloader、PageProcessor、Scheduler、Pipeline)构成，核心代码非常简单，主要是将这些组件结合并完成多线程的任务。这意味着，在WebMagic中，你基本上可以对爬虫的功能做任何定制。

WebMagic的核心在webmagic-core包中，其他的包你可以理解为对WebMagic的一个扩展——这和作为用户编写一个扩展是没有什么区别的。

 3.注重实用性

虽然核心需要足够简单，但是WebMagic也以扩展的方式，实现了很多可以帮助开发的便捷功能。例如基于注解模式的爬虫开发，以及扩展了XPath语法的Xsoup等。这些功能在WebMagic中是可选的，它们的开发目标，就是让使用者开发爬虫尽可能的简单，尽可能的易维护。

 4.垂直类型爬虫

垂直类型的爬虫要解决的问题则不一样，比如想要爬取一些网站的新闻、博客信息，一般抓取数量要求不是很大，难点则在于如何高效的定制一个爬虫，可以精确的抽取出网页的内容，并保存成结构化的数据。这方面需求很多，webmagic就是为了解决这个目的而开发的。

   项目的实施：

WebMagic基于Maven进行构建，Maven不熟的同学可以去看看官网的介绍，由于小编是要将项目部署在阿里云服务器供数据组发请求抓数据，所以构建的项目是基于Maven的web项目，以及Mybatis+spring框架来进行数据的存储管理，替换了之前的框架和服务器，接下来直接上核心代码给大家分析各模块的作用：

Spider是爬虫启动的入口。在启动爬虫之前，我们需要使用一个PageProcessor创建一个Spider对象，然后使用run()进行启动。同时Spider的其他组件（Downloader、Scheduler、Pipeline）都可以通过set方法来进行设置。

此类是用Xpath解析页面元素取到我们需要的数据，不了解xpath可以去http://www.w3school.com.cn/官方文档学习。

pom作为项目对象模型。通过xml表示maven项目，使用pom.xml来实现。主要描述了项目：包括配置文件；开发者需要遵循的规则，缺陷管理系统，组织和licenses，项目的url，项目的依赖性，以及其他所有的项目相关因素。

除此之外就是Mybatis的配置这里不再过多介绍，此web爬虫Demo核心代码就算做完了，大家还在等什么，快动手自己亲自体验下吧。