我们当下生活在信息化时代,信息数据成为一种重要资源,而比较火热的大数据就是基于数据进行算法分析。而爬虫就是一种获取数据的一种方法,我本人最近刚好有空闲时间玩爬虫,借此文章为初学者引导以及自我记忆。我选取的小巧灵活的webMagic框架进行实践。
写在前面
1.注意每次访问页面后最好线程sleep一点时间(不要因为我们的随便练手影响到你爬取数据网站的运转,大家都是程序员,别逼人家提高反爬难度,下一章会对一些常见反爬手段进行破解)
2.jdk环境
3.maven 引入依赖
<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>
demo:爬取csdn博客信息
目标网站:https://blog.csdn.net/caihaijiang/article/list/1?
其实整个过程就是在访问及下载页面以及解析页面标签,底层实现使用了HttpClient进行网络访问
代码:
package demo;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;
import java.util.List;
public class CsdnBlogSplider implements PageProcessor {
private Site site = Site
.me()
.setDomain("https://blog.csdn.net")
.setSleepTime(3000)
.setUserAgent(
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36");
public void process(Page page){
//具体博客页面解析
if(page.getUrl().get().startsWith("https://blog.csdn.net/caihaijiang/article/details")){
//这里进行标签解析,根据你需要的字段的位置进行标签定位
String subject = page.getHtml().xpath("//h6[@class='title-article']").get().replace("<h6 class=\"title-article\">","").replace("</h6>","");
String time = page.getHtml().xpath("//div[@class='article-bar-top d-flex']/span").replace("<span class=\"time\">","").replace("</span>","").toString();
String readNum = page.getHtml().xpath("//div[@class='article-bar-top d-flex']/div[1]/span").replace("<span class=\"read-count\">","").replace("</span>","").toString();
System.out.println(subject);
System.out.println(time);
System.out.println(readNum);
try{
Thread.sleep(1000);
}catch (InterruptedException in){
System.out.println("线程出错···");
}
}else {
//列表页面解析,当前页所有博客url添加进解析列表
page.addTargetRequests(page.getHtml().xpath("//div[@class='article-item-box csdn-tracking-statistics']/h4/a").links().all());
}
}
public Site getSite() {
return site;
}
public static void main(String[] args) {
Spider spider = Spider.create(new CsdnBlogSplider());
//共7页,添加7次列表页url
for (int i = 1; i < 8; i++) {
spider.addUrl("https://blog.csdn.net/caihaijiang/article/list/"+i+"?");
}
spider.run();
}
}复制代码
结果: