一、什么是WebMagic
1、相关理解
WebMagic是一个开源的Java垂直爬虫框架,目标是简化爬虫的开发流程,让开发者专注于逻辑功能的开发。
WebMagic框架包含四个组件,PageProcessor、Scheduler、Downloader和Pipeline。
这四大组件对应爬虫生命周期中的处理、管理、下载和持久化等功能。
这四个组件都是Spider中的属性,爬虫框架通过Spider启动和管理。
WebMagic总体架构图如下:
[外链图片转存失败(img-RmPLndkB-1568971090443)(C:\Users\dell\Desktop\2e2eb9389b504fc2636f40fdefdde71190ef6d12.jpg)]
2、四大组件
PageProcessor 负责解析页面,抽取有用信息,以及发现新的链接。需要自己定义。WebMagic使用Jsoup作为HTML解析工具, 并基于其开发了解析XPath的工具Xsoup。
Scheduler 负责管理待抓取的URL,以及一些去重的工作。一般无需自己定制Scheduler。WebMagic默认提供了JDK的内存队列来管理URL,并 用集合来进行去重。也支持使用Redis进行分布式管理。 除非项目有一些特殊的分布式需求,否则无需自己定制Scheduler。
Pipeline 负责抽取结果的处理,包括计算、持久化到文件、数据库等。WebMagic默认提供了“输出到控制 台”和“保存到文件”两种结果处理方案。Pipeline 定义了结果保存的方式,如果你要保存到指定数据库,则需要编写对应的Pipeline。对于一类需求一 般只需编写一个 Pipeline 。
Downloader 负责从互联网上下载页面,以便后续处理。一般无需自己实现,WebMagic默认使用了Apache HttpClient作为下载工 具。
3、用于数据流转的对象
Request 是对URL地址的一层封装,一个Request对应一个URL地址。
它是PageProcessor与Downloader交互的载体,也是PageProcessor控制Downloader唯一方式。 除了URL本身外,它还包含一个Key-Value结构的字段 extra 。你可以在extra中保存一些特殊的属性,然后在其 他地方读取,以完成不同的功能。例如附加上一个页面的一些信息等。
Page 代表了从Downloader下载到的一个页面——可能是HTML,也可能是JSON或者其他文本格式的内容。Page是WebMagic抽取过程的核心对象,它提供一些方法可供抽取、结果保存等。
ResultItems 相当于一个Map,它保存PageProcessor处理的结果,供Pipeline使用。它的API与Map很类似, 值得注意的是它有一个字段 skip ,若设置为true,则不应被Pipeline处理。
4、控制爬虫运转的引擎–Spider
Spider是WebMagic内部流程的核心。Downloader、PageProcessor、Scheduler、Pipeline都是Spider的一个 属性,这些属性是可以自由设置的,通过设置这个属性可以实现不同的功能。Spider也是WebMagic操作的入 口,它封装了爬虫的创建、启动、停止、多线程等功能。下面是一个设置各个组件,并且设置多线程和启动的 例子。
public static void main(String[] args) {
Spider.create(new GithubRepoPageProcessor()) /*从https://github.com/code4craft开始抓*/ .addUrl("https://github.com/code4craft")
/*设置Scheduler,使用Redis来管理URL队列*/ .setScheduler(new RedisScheduler("localhost")) /*设置Pipeline,将结果以json方式保存到文件*/ .addPipeline(new JsonFilePipeline("D:\\data\\webmagic")<