为大家推荐一款非常好用的java写的垂直爬虫webmagic,力挺

webmagic官方介绍:http://blog.csdn.net/u010670689/article/details/41704239

本文目标:爬去网站的head内容,然后控制台打印

webmagic版本:0.5.1

maven坐标:

<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-core</artifactId>
<version>0.5.1</version>
</dependency>
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-extension</artifactId>
<version>0.5.1</version>
</dependency>

1.实现自己的PageProcessor

pageprocessor是爬虫的核心,可以定义爬虫的爬取规则,我将PageProcessor的定制分为三个部分，分别是爬虫的配置、页面元素的抽取和链接的发现。

代码:

package youling.studio;


import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.pipeline.ConsolePipeline;
import us.codecraft.webmagic.pipeline.JsonFilePipeline;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.processor.example.GithubRepoPageProcessor;


public class MyPageProcessor  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);


    // process是定制爬虫逻辑的核心接口，在这里编写抽取逻辑
    @Override
    public void process(Page page) {
        // 部分二：定义如何抽取页面信息，并保存下来
    //  <h1>
//        <span class="link_title"><a href="/u010670689/article/details/41576647">
//        启动hive metastore命令
//        </a></span>
//    </h1>
    //csdn文章标题的html代码
        page.putField("title", page.getHtml().xpath("//h1/span[@class='link_title']/a/text()").toString());
        if (page.getResultItems().get("title") == null) {
            //skip this page
            page.setSkip(true);
        }


        // 部分三：从页面发现后续的url地址来抓取
        //  <span class="link_title"><a href="/u010670689/article/details/41704239">
//        webmagic总体介绍
//        </a></span>
        page.addTargetRequests(page.getHtml().links().regex("(/u010670689/article/details/(\\w+))").all());
    }


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


    public static void main(String[] args) {
        Spider.create(new MyPageProcessor())
                //从"https://github.com/code4craft"开始抓
                .addUrl("http://blog.csdn.net/u010670689?viewmode=contents")
                //保存到json文件里
                .addPipeline(new ConsolePipeline())
                //开启5个线程抓取
                .thread(1)
                //启动爬虫
                .run();
    }
}

4.1.1 爬虫的配置

第一部分关于爬虫的配置，包括编码、抓取间隔、超时时间、重试次数等，也包括一些模拟的参数，例如User Agent、cookie，以及代理的设置，我们会在第5章-“爬虫的配置”里进行介绍。在这里我们先简单设置一下：重试次数为3次，抓取间隔为一秒。

4.1.2 页面元素的抽取

第二部分是爬虫的核心部分：对于下载到的Html页面，你如何从中抽取到你想要的信息？WebMagic里主要使用了三种抽取技术：XPath、正则表达式和CSS选择器。另外，对于JSON格式的内容，可使用JsonPath进行解析。

1. XPath

   XPath本来是用于XML中获取元素的一种查询语言，但是用于Html也是比较方便的。例如：

    page.getHtml().xpath("//h1[@class='entry-title public']/strong/a/text()")
   

   这段代码使用了XPath，它的意思是“查找所有class属性为'entry-title public'的h1元素，并找到他的strong子节点的a子节点，并提取a节点的文本信息”。对应的Html是这样子的：

   

2. CSS选择器

   CSS选择器是与XPath类似的语言。如果大家做过前端开发，肯定知道$('h1.entry-title')这种写法的含义。客观的说，它比XPath写起来要简单一些，但是如果写复杂一点的抽取规则，就相对要麻烦一点。

3. 正则表达式

   正则表达式则是一种通用的文本抽取语言。

    page.addTargetRequests(page.getHtml().links().regex("(https://github\\.com/\\w+/\\w+)").all());
   

   这段代码就用到了正则表达式，它表示匹配所有"https://github.com/code4craft/webmagic"这样的链接。

4. JsonPath

   JsonPath是于XPath很类似的一个语言，它用于从Json中快速定位一条内容。WebMagic中使用的JsonPath格式可以参考这里：https://code.google.com/p/json-path/

4.1.3 链接的发现

有了处理页面的逻辑，我们的爬虫就接近完工了！

但是现在还有一个问题：一个站点的页面是很多的，一开始我们不可能全部列举出来，于是如何发现后续的链接，是一个爬虫不可缺少的一部分。

page.addTargetRequests(page.getHtml().links().regex("(https://github\\.com/\\w+/\\w+)").all());

这段代码的分为两部分，page.getHtml().links().regex("(https://github\\.com/\\w+/\\w+)").all()用于获取所有满足"(https:/ /github\.com/\w+/\w+)"这个正则表达式的链接，page.addTargetRequests()则将这些链接加入到待抓取的队列中去。

其中代码中的Pipeline可以定制,Scheduler,Downloader都是可以定制的,后面再介绍