WebMagic(三)----抓取CSDN博客通过JDBC保存到数据库中去

数据库使用的是MySQL,新建test数据库创建csdnblog表:

[html]  view plain  copy

1. CREATE TABLE `csdnblog` (  
2.   `id` int(11) unsigned NOT NULL auto_increment,  
3.   `keyes` int(11) unsigned NOT NULL,  
4.   `titles` varchar(255) NOT NULL,  
5.   `content` varchar(10240) NOT NULL,  
6.   `dates` varchar(16) default NULL,  
7.   `tags` varchar(255) default NULL,  
8.   `category` varchar(255) default NULL,  
9.   `views` int(11) unsigned default NULL,  
10.   `comments` int(11) unsigned default NULL,  
11.   `copyright` int(1) unsigned default NULL,  
12.   PRIMARY KEY  (`id`)  
13. ) ENGINE=InnoDB DEFAULT CHARSET=utf8;  

接着新建实体类对应博客文章:

CsdnBlog.Java

[html]  view plain  copy

1. public class CsdnBlog {  
2.   
3.     private int key;// 编号  
4.   
5.     private String title;// 标题  
6.   
7.     private String date;// 日期  
8.   
9.     private String tags;// 标签  
10.   
11.     private String category;// 分类  
12.   
13.     private int view;// 阅读人数  
14.   
15.     private int comments;// 评论人数  
16.   
17.     private int copyright;// 是否原创  
18.   
19.     private String content; //文字内容  
20.   
21.     public String getContent() {  
22.         return content;  
23.     }  
24.   
25.     public void setContent(String content) {  
26.         this.content = content;  
27.     }  
28.   
29.     public int getKey() {  
30.         return key;  
31.     }  
32.   
33.     public void setKey(int key) {  
34.         this.key = key;  
35.     }  
36.   
37.     public String getTitle() {  
38.         return title;  
39.     }  
40.   
41.     public void setTitle(String title) {  
42.         this.title = title;  
43.     }  
44.   
45.     public String getDate() {  
46.         return date;  
47.     }  
48.   
49.     public void setDate(String date) {  
50.         this.date = date;  
51.     }  
52.   
53.     public String getTags() {  
54.         return tags;  
55.     }  
56.   
57.     public void setTags(String tags) {  
58.         this.tags = tags;  
59.     }  
60.   
61.     public String getCategory() {  
62.         return category;  
63.     }  
64.   
65.     public void setCategory(String category) {  
66.         this.category = category;  
67.     }  
68.   
69.     public int getView() {  
70.         return view;  
71.     }  
72.   
73.     public void setView(int view) {  
74.         this.view = view;  
75.     }  
76.   
77.     public int getComments() {  
78.         return comments;  
79.     }  
80.   
81.     public void setComments(int comments) {  
82.         this.comments = comments;  
83.     }  
84.   
85.     public int getCopyright() {  
86.         return copyright;  
87.     }  
88.   
89.     public void setCopyright(int copyright) {  
90.         this.copyright = copyright;  
91.     }  
92.   
93.     @Override  
94.     public String toString() {  
95.         return "CsdnBlog [key=" + key + ", title=" + title + ", content=" + content + ",date=" + date + ", tags=" + tags + ", category="  
96.                 + category + ", view=" + view + ", comments=" + comments + ", copyright=" + copyright + "]";  
97.     }  
98.   
99. }  

Dao类

CsdnBlogDao.java: 

[html]  view plain  copy

1. public class CsdnBlogDao {  
2.   
3.     private Connection conn = null;  
4.     private Statement stmt = null;  
5.   
6.     public CsdnBlogDao() {  
7.         try {  
8.             Class.forName("com.mysql.jdbc.Driver");  
9.             String url = "jdbc:mysql://localhost:3306/test?"  
10.                     + "user=root&password=123&useUnicode=true&characterEncoding=UTF8";  
11.             conn = DriverManager.getConnection(url);  
12.             stmt = conn.createStatement();  
13.         } catch (ClassNotFoundException e) {  
14.             e.printStackTrace();  
15.         } catch (SQLException e) {  
16.             e.printStackTrace();  
17.         }  
18.   
19.     }  
20.   
21.     public int add(CsdnBlog csdnBlog) {  
22.         try {  
23.             String sql = "INSERT INTO `test`.`csdnblog` (`keyes`, `titles`, `content` , `dates`, `tags`, `category`, `views`, `comments`, `copyright`) VALUES (?, ?, ?, ?, ?, ?, ?, ?,?);";  
24.             PreparedStatement ps = conn.prepareStatement(sql);  
25.             ps.setInt(1, csdnBlog.getKey());  
26.             ps.setString(2, csdnBlog.getTitle());  
27.             ps.setString(3,csdnBlog.getContent());  
28.             ps.setString(4, csdnBlog.getDate());  
29.             ps.setString(5, csdnBlog.getTags());  
30.             ps.setString(6, csdnBlog.getCategory());  
31.             ps.setInt(7, csdnBlog.getView());  
32.             ps.setInt(8, csdnBlog.getComments());  
33.             ps.setInt(9, csdnBlog.getCopyright());  
34.             return ps.executeUpdate();  
35.         } catch (SQLException e) {  
36.             e.printStackTrace();  
37.         }  
38.         return -1;  
39.     }  
40.   
41. }  

测试类:

CsdnBlogPageProcessor.java

[html]  view plain  copy

1. public class CsdnBlogPageProcessor implements PageProcessor {  
2.   
3.   
4.     private static String username="CHENYUFENG1991";  // 设置csdn用户名  
5.   
6.     private static int size = 0;// 共抓取到的文章数量  
7.   
8.     // 抓取网站的相关配置，包括：编码、抓取间隔、重试次数等  
9.     private Site site = Site.me().setRetryTimes(3).setSleepTime(1000);  
10.   
11.     public Site getSite() {  
12.         return site;  
13.     }  
14.   
15.       
16.     // process是定制爬虫逻辑的核心接口，在这里编写抽取逻辑  
17.     public void process(Page page) {  
18.         // 列表页  
19.         if (!page.getUrl().regex("http://blog\\.csdn\\.net/" + username + "/article/details/\\d+").match()) {  
20.             // 添加所有文章页  
21.             page.addTargetRequests(page.getHtml().xpath("//div[@id='article_list']").links()// 限定文章列表获取区域  
22.                     .regex("/" + username + "/article/details/\\d+")  
23.                     .replace("/" + username + "/", "http://blog.csdn.net/" + username + "/")// 巧用替换给把相对url转换成绝对url  
24.                     .all());  
25.             // 添加其他列表页  
26.             page.addTargetRequests(page.getHtml().xpath("//div[@id='papelist']").links()// 限定其他列表页获取区域  
27.                     .regex("/" + username + "/article/list/\\d+")  
28.                     .replace("/" + username + "/", "http://blog.csdn.net/" + username + "/")// 巧用替换给把相对url转换成绝对url  
29.                     .all());  
30.             // 文章页  
31.         } else {  
32.             size++;// 文章数量加1  
33.             // 用CsdnBlog类来存抓取到的数据，方便存入数据库  
34.             CsdnBlog csdnBlog = new CsdnBlog();  
35.             // 设置编号  
36.             csdnBlog.setKey(Integer.parseInt(  
37.                     page.getUrl().regex("http://blog\\.csdn\\.net/" + username + "/article/details/(\\d+)").get()));  
38.             // 设置标题  
39.             csdnBlog.setTitle(  
40.                     page.getHtml().xpath("//div[@class='article_title']//span[@class='link_title']/a/text()").get());  
41.   
42.             //设置内容  
43.             csdnBlog.setContent(  
44.                     page.getHtml().xpath("//div[@class='article_content']/allText()").get());  
45.   
46.             // 设置日期  
47.             csdnBlog.setDate(  
48.                     page.getHtml().xpath("//div[@class='article_r']/span[@class='link_postdate']/text()").get());  
49.             // 设置标签（可以有多个，用,来分割）  
50.             csdnBlog.setTags(listToString(page.getHtml()  
51.                     .xpath("//div[@class='article_l']/span[@class='link_categories']/a/allText()").all()));  
52.             // 设置类别（可以有多个，用,来分割）  
53.             csdnBlog.setCategory(  
54.                     listToString(page.getHtml().xpath("//div[@class='category_r']/label/span/text()").all()));  
55.             // 设置阅读人数  
56.             csdnBlog.setView(Integer.parseInt(page.getHtml().xpath("//div[@class='article_r']/span[@class='link_view']")  
57.                     .regex("(\\d+)人阅读").get()));  
58.             // 设置评论人数  
59.             csdnBlog.setComments(Integer.parseInt(page.getHtml()  
60.                     .xpath("//div[@class='article_r']/span[@class='link_comments']").regex("\\((\\d+)\\)").get()));  
61.             // 设置是否原创  
62.             csdnBlog.setCopyright(page.getHtml().regex("bog_copyright").match() ? 1 : 0);  
63.             // 把对象存入数据库  
64.             new CsdnBlogDao().add(csdnBlog);  
65.             // 把对象输出控制台  
66.             System.out.println(csdnBlog);  
67.         }  
68.     }  
69.   
70.     // 把list转换为string，用,分割  
71.     public static String listToString(List<String> stringList) {  
72.         if (stringList == null) {  
73.             return null;  
74.         }  
75.         StringBuilder result = new StringBuilder();  
76.         boolean flag = false;  
77.         for (String string : stringList) {  
78.             if (flag) {  
79.                 result.append(",");  
80.             } else {  
81.                 flag = true;  
82.             }  
83.             result.append(string);  
84.         }  
85.         return result.toString();  
86.     }  
87.   
88.     public static void main(String[] args) {  
89.         long startTime, endTime;  
90.         System.out.println("【爬虫开始】...");  
91.         startTime = System.currentTimeMillis();  
92.         // 从用户博客首页开始抓，开启5个线程，启动爬虫  
93.         Spider.create(new CsdnBlogPageProcessor()).addUrl("http://blog.csdn.net/" + username).thread(5).run();  
94.         endTime = System.currentTimeMillis();  
95.         System.out.println("【爬虫结束】共抓取" + size + "篇文章，耗时约" + ((endTime - startTime) / 1000) + "秒，已保存到数据库，请查收！");  
96.     }  
97. }  

运行main方法数据就保存到数据库中去了。

完整的demo: http://download.csdn.net/detail/u011781521/9672531