全文检索示例:数据爬取(5)

本文介绍如何用webmagic爬取《Elasticsearch 权威指南》中文版 数据
完整代码github地址

依赖引入

新建一个maven项目，引入webmagic依赖

 <dependency>
    <groupId>us.codecraft</groupId>
     <artifactId>webmagic-core</artifactId>
     <version>0.7.3</version>
 </dependency>
 <dependency>
     <groupId>us.codecraft</groupId>
     <artifactId>webmagic-extension</artifactId>
     <version>0.7.3</version>
 </dependency>
 <dependency>
     <groupId>org.apache.commons</groupId>
     <artifactId>commons-lang3</artifactId>
     <version>3.8</version>
 </dependency>
 <dependency>
     <groupId>org.apache.logging.log4j</groupId>
     <artifactId>log4j-to-slf4j</artifactId>
     <version>2.11.2</version>
 </dependency>
 <dependency>
     <groupId>org.projectlombok</groupId>
     <artifactId>lombok</artifactId>
     <version>1.18.8</version>
 </dependency>

创建爬取PageProcessor

package app.processor;

import lombok.extern.slf4j.Slf4j;
import org.apache.commons.lang3.StringUtils;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.processor.PageProcessor;

import java.time.LocalDateTime;
import java.util.List;
import java.util.stream.Collectors;

/**
 * 爬取逻辑
 *
 * @author faith.huan 2019-10-13 14:37:01
 */
@Slf4j
public class EsDocPageProcessor implements PageProcessor {


    /**
     * 部分一：抓取网站的相关配置，包括编码、抓取间隔、重试次数等
     */
    private Site site = Site.me().setRetryTimes(3).setSleepTime(1000).setTimeOut(10000);

    @Override
    public void process(Page page) {

        String currentUrl = page.getUrl().toString();

        if (isIndexPage(currentUrl)) {
            // 如果是index页,则将页面中所有连接加入抓取列表
            List<String> subUrls = page.getHtml().links().all().stream()
                    // 只添加中文页面
                    .filter(EsDocPageProcessor::isCnPage)
                    .collect(Collectors.toList());
            page.addTargetRequests(subUrls);
        } else {
            /*
             * 通过xpath获取标题和内容
             */
            String title = page.getHtml().xpath("//*[@class='title']/text()").toString();
            String content = String.join(" ", page.getHtml().xpath("//p/text()").all());
            if (StringUtils.isAnyBlank(title, content)) {
                // 如果标题或者内容为空,则不保存页面
                page.setSkip(true);
            } else {
                page.putField("title", title);
                page.putField("content", content);
                page.putField("url", currentUrl);
                page.putField("crawlDate", LocalDateTime.now().toString());
            }
        }
    }

    /**
     * 判断url是不是index页
     */
    private boolean isIndexPage(String url) {
        return StringUtils.endsWith(url, "current/index.html");
    }

    /**
     * 判断url是否为中文页,通过包含/cn/来判断
     */
    private static boolean isCnPage(String url){
        return StringUtils.contains(url,"/cn/");
    }

    @Override
    public Site getSite() {
        return site;
    }

}

创建Main方法

package app;

import app.processor.EsDocPageProcessor;
import lombok.extern.slf4j.Slf4j;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.pipeline.JsonFilePipeline;

import java.io.File;

/**
 * 爬取《Elasticsearch 权威指南》中文版 数据
 * https://www.elastic.co/guide/cn/elasticsearch/guide/current/index.html
 *
 * @author faith.huan 2019-07-21 04:00:54
 */
@Slf4j
public class CrawlingData {

    public static void main(String[] args) {
        // 爬取开始路径
        String beginUrl = "https://www.elastic.co/guide/cn/elasticsearch/guide/current/index.html";
        // 爬取结果存放文件夹
        String dir = "D:/es-doc/权威指南";

        try {
            File file = new File(dir);
            if (!file.exists()) {
                boolean res = file.mkdir();
                if (res) {
                    log.info("创建目录成功");
                }
            }
            Spider.create(new EsDocPageProcessor())
                    //从url开始抓
                    .addUrl(beginUrl)
                    //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(dir))
                    //开启5个线程同时执行
                    .thread(5)
                    //启动爬虫
                    .run();

        } catch (Exception e) {
            log.error("启动爬虫发生异常", e);
        }

    }

}

直接执行main方法则会抓取权威指南数据

运行成功截图

运行日志截图

下载数据截图