使用WebMagic爬虫框架及javaEE SSH框架将数据保存到数据库（一）

由于近期做毕设，需要从网站上爬取教学资源，下面实现一个简单的爬虫，并将爬取的数据保存到数据库中。

一：有关爬虫框架的选取，我使用的是WebMagic爬虫框架，中文文档：http://webmagic.io/docs/zh/

它是一个开源项目，github地址：https://github.com/code4craft/webmagic，之前想用python写爬虫的，也写了一点，但还要学习操作数据库的，想想还是用java爬虫框架吧，做完毕设再好好学学python。

二：首先看一下要爬取的内容，专业名字、课程数量、专业类别、url链接，然后将其存入数据库

三：定义一个实体类，属性对应，由于使用的SSH框架，之后我们将爬到的数据给这个对象，然后保存对象即可。

四：爬虫具体代码：

（1）实现PageProcessor接口，并实现其中的方法，下面会使用到service,这里得到Spring容器对象，然后得到需要的service

（2）然后重写process方法，提取需要的内容，这里主要使用了xpath，还有很多方法， 具体看其中文文档。

之前我也用了正则表达式，有个网站可以进行正则表达式的转换，还不错：http://www.txt2re.com/

（3）然后封装成对象，保存到数据库即可。

其中抽取到的课程数量是在一段文字中，使用正则匹配得到其中的数字。

五：一些问题：

（1）由于我这个爬虫的抓取有分页，而且它的分页通过js跳转的，抽取出来感觉有点麻烦，我想直接得到所有的信息，发现可以通过输入url地址请求得到所有的信息（这是网站的一个小问题，它没有设置每页数据记录条数的范围），但是需要登录才可以进行url地址的访问，就要使用cookie模拟登录。

（2）下面分析有关登录信息的cookie，我使用的是chrome，点击如图位置，会看到此网站的cookie，（如果已经访问了一段时间了，可以清除所有cookie然后重新登录再访问，否则可能会有很多的cookie，分析起来不方便），由于只有5个cookie，直接加上就可以访问了，看步骤四（1）中site的设置。

六：测试结果

数据保存成功。

七：总结

这只是一个简单的爬虫，后面还要接着爬取数据，感觉还是可以学到很多东西的。