1. 概要
WebMagic是一个简单灵活的Java爬虫框架。基于WebMagic,你可以快速开发出一个高效、易维护的爬虫。
WebMagic架构如下
- Scheduler
Scheduler负责管理待抓取的URL,以及一些去重的工作. 支持布隆算法.
- Downloader
Downloader负责从互联网上下载页面,以便后续处理。WebMagic默认使用了Apache HttpClient作为下载工具。
- PageProcessor
PageProcessor负责解析页面,抽取有用信息,以及发现新的链接。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。
- Pipeline
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。
其中, PageProcessor和Pipeline是我们定制业务逻辑的地方.
WebMagic支持 “注解式” 爬虫的编写, 但个人感觉, 支持的场景非常有限.
WebMagic源码, 较为简单, 顺着如下示例程序, 调试一遍, 就能理解个七七八八了.
注意
如果是简单应用爬虫, 且不熟悉python, 可以考虑类似的java爬虫框架.
如果是python专业用户, 可以直接上 scrapy.
2. POM.xml
<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>
3. KadSpider.java
package demo.webmagic;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.monitor.SpiderMonitor;
import us.codecraft.webmagic.pipeline.ConsolePipeline;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.scheduler.BloomFilterDuplicateRemover;
import us.codecraft.webmagic.scheduler.QueueScheduler;
import javax.management.JMException;
import java.util.List;
/**
*
* WebMagic爬虫, 电商网站示例
*
* 康爱多(https://www.360kad.com/)
*
* @author liuxianqiang
* @since 2021/2/24 14:39
*/
public class KadSpider implements PageProcessor {
private Site site = Site
.me()
.setDomain(HOME_URL)
.setSleepTime(3000)
.setUserAgent("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.192 Safari/537.3");
/**
* 主页
*/
private static String HOME_URL = "https://www.360kad.com/";
/**
* 分类页
*/
private static String CAT_URL = "(https://www.360kad.com/Category_(\\d+)/Index.aspx)\\??.*";
/**
* 商详页
*/
private static String PRO_DETAIL_URL = "(https://www.360kad.com/product/(\\d+).shtml)\\??.*";
/**
* 商品价格请求
*/
private static String PRO_PRICE_URL = "(https://www.360kad.com/product/getprice\\?wareskucode=(\\d+))";
private static String PRO_PRICE_URL_FORMAT = "https://www.360kad.com/product/getprice?wareskucode=%s";
/**
* 爬取路径
* 1. 以主页入口
* 2. 据主页爬取分类页
* 3. 据分类页爬取分类页及商详页
* 4. 据商详页, 爬取商品名称和商品价格
* @param page
*/
@Override
public void process(Page page) {
// 商详页
if (page.getUrl().regex(PRO_DETAIL_URL).match()) {
String wareskucode = page.getUrl().regex(PRO_DETAIL_URL, 2).get();
page.getResultItems().put("wareskucode", wareskucode);
page.getResultItems().put("proname", page.getHtml().css(".prem-proname h1").regex("<h1>(.*)</h1>").get());
// 进一步爬取商品价格
page.addTargetRequest(String.format(PRO_PRICE_URL_FORMAT, wareskucode));
return;
}
// 商品价格
if (page.getUrl().regex(PRO_PRICE_URL).match()) {
String wareskucode = page.getUrl().regex(PRO_PRICE_URL, 2).get();
String price = page.getJson().jsonPath("$.StyleInfo.Price").get();
page.getResultItems().put("wareskucode", wareskucode);
page.getResultItems().put("price", price);
return;
}
// 分类页
if (page.getUrl().regex(CAT_URL).match()) {
// 进一步抓取商详页
List<String> productUrlList = page.getHtml().links().regex(PRO_DETAIL_URL).all();
page.addTargetRequests(productUrlList);
}
// 进一步抓取分类页
List<String> categoryUrlList = page.getHtml().links().regex(CAT_URL).all();
page.addTargetRequests(categoryUrlList);
}
@Override
public Site getSite() {
return site;
}
public static void main(String[] args) throws JMException {
Spider spider = Spider
.create(new KadSpider())
// 主页, 分类页, 商详页, 商品价格请求
.addUrl("https://www.360kad.com/")
// .addUrl("https://www.360kad.com/Category_267/Index.aspx")
// .addUrl("https://www.360kad.com/product/411.shtml")
// .addUrl("https://www.360kad.com/product/getprice?wareskucode=411")
.thread(10)
// 默认控制台打印
.addPipeline(new ConsolePipeline())
// 默认,使用HashSet来进行去重,占用内存较大
// 可选,使用BloomFilter来进行去重,占用内存较小,但是可能漏抓页面
.setScheduler(new QueueScheduler().setDuplicateRemover(new BloomFilterDuplicateRemover(10000000)));
// JMX监控
SpiderMonitor.instance().register(spider);
spider.run();
}
}