基于WebMagic写的一个csdn博客小爬虫

                       

最近有点无聊,想研究一下爬虫,说到爬虫,很多人第一时间想到的是python。但是这次我选择了室友@antgan推荐的java爬虫框架WebMagic。该框架容易上手,可定制可扩展,非常适合想用java做爬虫的小伙伴们。先看一下官方教程,里面写得很详细,也有不少参考案例。


暂时还想不到有什么数据值得爬取,先拿csdn博客来练练手。
小爬虫能抓取指定用户的所有文章的关键信息,包括文章id,标题,标签,分类,阅读人数,评论人数,是否原创。并且把数据保存到数据库中。
文章ID
文章的关键信息


数据库表的设计及sql

数据库表的设计

CREATE TABLE `csdnblog``key` int(11) unsigned NOT NULL AUTO_INCREMENT,  `id` int(11) unsigned NOT NULL`title` varchar(255) NOT NULL`date` varchar(16) DEFAULT NULL`tags` varchar(255) DEFAULT NULL`category` varchar(255) DEFAULT NULL`view` int(11) unsigned DEFAULT NULL`comments` int(11) unsigned DEFAULT NULL`copyright` int(1) unsigned DEFAULT NULLPRIMARY KEY (`key`)) ENGINE=InnoDB AUTO_INCREMENT=0 DEFAULT CHARSET=utf8;
  
  
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

Processor是爬虫逻辑,程序的核心

package csdnblog;import java.util.List;import us.codecraft.webmagic.Page;import us.codecraft.webmagic.Site;import us.codecraft.webmagic.Spider;import us.codecraft.webmagic.processor.PageProcessor;/** * CSDN博客爬虫 *  * @describe 可以爬取指定用户的csdn博客所有文章,并保存到数据库中。 * @date 2016-4-30 *  * @author steven * @csdn qq598535550 * @website lyf.soecode.com */public class CsdnBlogPageProcessor implements PageProcessor {    private static String username = "qq598535550";// 设置csdn用户名    private static int size = 0;// 共抓取到的文章数量    // 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);    @Override    public Site getSite() {        return site;    }    @Override    // process是定制爬虫逻辑的核心接口,在这里编写抽取逻辑    public void process(Page page) {        // 列表页        if (!page.getUrl().regex("http://blog\\.csdn\\.net/" + username + "/article/details/\\d+").match()) {            // 添加所有文章页            page.addTargetRequests(page.getHtml().xpath("//div[@id='article_list']").links()// 限定文章列表获取区域                    .regex("/" + username + "/article/details/\\d+")                    .replace("/" + username + "/", "http://blog.csdn.net/" + username + "/")// 巧用替换给把相对url转换成绝对url                    .all());            // 添加其他列表页            page.addTargetRequests(page.getHtml().xpath("//div[@id='papelist']").links()// 限定其他列表页获取区域                    .regex("/" + username + "/article/list/\\d+")                    .replace("/" + username + "/", "http://blog.csdn.net/" + username + "/")// 巧用替换给把相对url转换成绝对url                    .all());            // 文章页        } else {            size++;// 文章数量加1            // 用CsdnBlog类来存抓取到的数据,方便存入数据库            CsdnBlog csdnBlog = new CsdnBlog();            // 设置编号            csdnBlog.setId(Integer.parseInt(                    page.getUrl().regex("http://blog\\.csdn\\.net/" + username + "/article/details/(\\d+)").get()));            // 设置标题            csdnBlog.setTitle(                    page.getHtml().xpath("//div[@class='article_title']//span[@class='link_title']/a/text()").get());            // 设置日期            csdnBlog.setDate(                    page.getHtml().xpath("//div[@class='article_r']/span[@class='link_postdate']/text()").get());            // 设置标签(可以有多个,用,来分割)            csdnBlog.setTags(listToString(page.getHtml()                    .xpath("//div[@class='article_l']/span[@class='link_categories']/a/allText()").all()));            // 设置类别(可以有多个,用,来分割)            csdnBlog.setCategory(                    listToString(page.getHtml().xpath("//div[@class='category_r']/label/span/text()").all()));            // 设置阅读人数            csdnBlog.setView(Integer.parseInt(page.getHtml().xpath("//div[@class='article_r']/span[@class='link_view']")                    .regex("(\\d+)人阅读").get()));            // 设置评论人数            csdnBlog.setComments(Integer.parseInt(page.getHtml()                    .xpath("//div[@class='article_r']/span[@class='link_comments']").regex("\\((\\d+)\\)").get()));            // 设置是否原创            csdnBlog.setCopyright(page.getHtml().regex("bog_copyright").match() ? 1 : 0);            // 把对象存入数据库            new CsdnBlogDao().add(csdnBlog);            // 把对象输出控制台            System.out.println(csdnBlog);        }    }    // 把list转换为string,用,分割    public static String listToString(List<String> stringList) {        if (stringList == null) {            return null;        }        StringBuilder result = new StringBuilder();        boolean flag = false;        for (String string : stringList) {            if (flag) {                result.append(",");            } else {                flag = true;            }            result.append(string);        }        return result.toString();    }    public static void main(String[] args) {        long startTime, endTime;        System.out.println("【爬虫开始】请耐心等待一大波数据到你碗里来...");        startTime = System.currentTimeMillis();        // 从用户博客首页开始抓,开启5个线程,启动爬虫        Spider.create(new CsdnBlogPageProcessor()).addUrl("http://blog.csdn.net/" + username).thread(5).run();        endTime = System.currentTimeMillis();        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!");    }}
  
  
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73
  • 74
  • 75
  • 76
  • 77
  • 78
  • 79
  • 80
  • 81
  • 82
  • 83
  • 84
  • 85
  • 86
  • 87
  • 88
  • 89
  • 90
  • 91
  • 92
  • 93
  • 94
  • 95
  • 96
  • 97
  • 98
  • 99
  • 100
  • 101
  • 102
  • 103
  • 104
  • 105
  • 106
  • 107
  • 108
  • 109
  • 110
  • 111

CsdnBlog实体类对应数据库的表
PS:之前发的那个在实体类上有注解,那种是另外的实现方式,现在已经把注解删掉了,这里是不需要的!

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

dao数据访问层
只有一个添加方法

package csdnblog;import java.sql.Connection;import java.sql.DriverManager;import java.sql.PreparedStatement;import java.sql.ResultSet;import java.sql.SQLException;import java.sql.Statement;public class CsdnBlogDao {    private Connection conn = null;    private Statement stmt = null;    public CsdnBlogDao() {        try {            Class.forName("com.mysql.jdbc.Driver");            String url = "jdbc:mysql://localhost:3307/webmagic?user=root&password=";            conn = DriverManager.getConnection(url);            stmt = conn.createStatement();        } catch (ClassNotFoundException e) {            e.printStackTrace();        } catch (SQLException e) {            e.printStackTrace();        }    }    public int add(CsdnBlog csdnBlog) {        try {            String sql = "INSERT INTO `webmagic`.`csdnblog` (`id`, `title`, `date`, `tags`, `category`, `view`, `comments`, `copyright`) VALUES (?, ?, ?, ?, ?, ?, ?, ?);";            PreparedStatement ps = conn.prepareStatement(sql);            ps.setInt(1, csdnBlog.getId());            ps.setString(2, csdnBlog.getTitle());            ps.setString(3, csdnBlog.getDate());            ps.setString(4, csdnBlog.getTags());            ps.setString(5, csdnBlog.getCategory());            ps.setInt(6, csdnBlog.getView());            ps.setInt(7, csdnBlog.getComments());            ps.setInt(8, csdnBlog.getCopyright());            return ps.executeUpdate();        } catch (SQLException e) {            e.printStackTrace();        }        return -1;    }}
  
  
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49

大家看一下我的博客爬到的结果,有点小激动哈~大家也可以动手试试~~

控制台输出结果

爬虫结果

源码在GitHub上,觉得有用给个star吧(捂脸)
https://github.com/liyifeng1994/webmagic-csdnblog

 

如果对知乎数据感兴趣的同学,可以看一下我室友@antgan写的一个基于webmagic的爬虫小应用–爬取知乎用户信息,也是一个拿来练手的好案例哈!

ps:没想到过了两三天,阅读量上升这么快,对我来说是一种莫大的鼓励。我下一步可能会爬取一定量的知乎用户数据,通过数据分析,做一些实际点的东西。我也会把这一个过程分享给大家,谢谢谢谢~

===============
2016.08.16评论补充:
我的博客最近换了新皮肤,所以html结构发生了变化,上面DEMO的爬取规则中xpath语法需要进行小改动,就当作是作业吧,以前的旧皮肤都可以爬取~

===============
2016.11.01补充:
由于dao实现最基本的把数据插入到数据库,没有考虑到连接池、线程队列等等任何现实中可能会遇到的问题,只是希望把大家带入爬虫的世界~

           

再分享一下我老师大神的人工智能教程吧。零基础!通俗易懂!风趣幽默!还带黄段子!希望你也加入到我们人工智能的队伍中来!https://blog.csdn.net/jiangjunshow

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值