初学爬虫,WebMagic作为一个Java开发的爬虫框架很容易上手,下面就通过一个简单的小例子来看一下。
WebMagic框架简介
WebMagic框架包含四个组件,PageProcessor、Scheduler、Downloader和Pipeline。
这四大组件对应爬虫生命周期中的处理、管理、下载和持久化等功能。
这四个组件都是Spider中的属性,爬虫框架通过Spider启动和管理。
WebMagic总体架构图如下:
四大组件
PageProcessor负责解析页面,抽取有用信息,以及发现新的链接。需要自己定义。
Scheduler负责管理待抓取的URL,以及一些去重的工作。一般无需自己定制Scheduler。
Pipeline负责抽取结果的处理,包括计算、持久化到文件、数据库等。
Downloader负责从互联网上下载页面,以便后续处理。一般无需自己实现。
用于数据流转的对象
Request是对URL地址的一层封装,一个Request对应一个URL地址。
Page 代表了从Downloader下载到的一个页面——可能是HTML,也可能是JSON或者其他文本格式的内容。
ResultItems相当于一个Map,它保存PageProcessor处理的结果,供Pipeline使用。
环境配置
使用Maven来添加依赖的jar包。
us.codecraft
webmagic-core
0.7.3
us.codecraft
webmagic-extension
0.7.3
org.slf4j
slf4j-log4j12
或者直接摸我下载。
添加完jar包就完成了所有准备工作,是不是很简单。
下面来测试一下。
packageedu.heu.spider;importus.codecraft.webmagic.Page;importus.codecraft.webmagic.Site;importus.codecraft.webmagic.Spider;importus.codecraft.webmagic.pipeline.ConsolePipeline;importus.codecraft.webmagic.processor.PageProcessor;/*** @ClassName: MyCnblogsSpider
*@authorLJH
* @date 2017年11月26日 下午4:41:40*/
public class MyCnblogsSpider implementsPageProcessor {private Site site = Site.me().setRetryTimes(3).setSleepTime(100);publicSite getSite() {returnsite;
}public voidprocess(Page page) {if (!page.getUrl().regex("http://www.cnblogs.com/[a-z 0-9 -]+/p/[0-9]{7}.html").match()) {
page.addTargetRequests(
page.getHtml().xpath("//*[@id=\"mainContent\"]/div/div/div[@class=\"postTitle\"]/a/@href").all());
}else{
page.putField(page.getHtml().xpath("//*[@id=\"cb_post_title_url\"]/text()").toString(),
page.getHtml().xpath("//*[@id=\"cb_post_title_url\"]/@href").toString());
}
}public static voidmain(String[] args) {
Spider.create(new MyCnblogsSpider()).addUrl("http://www.cnblogs.com/justcooooode/")
.addPipeline(newConsolePipeline()).run();
}
}
输出结果:
如果你和我一样之前没有用过log4j,可能会出现下面的警告:
这是因为少了配置文件,在resource目录下新建log4j.properties文件,将下面配置信息粘贴进去即可。
目录可以定义成你自己的文件夹。
#全局日志级别设定 ,file
log4j.rootLogger=INFO, stdout, file#自定义包路径LOG级别
log4j.logger.org.quartz=WARN, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d{MM-dd HH:mm:ss}[%p]%m%n#Output to the File
log4j.appender.file=org.apache.log4j.FileAppender
log4j.appender.file.File=D:\\MyEclipse2017Workspaces\\webmagic\\webmagic.log
log4j.appender.file.layout=org.apache.log4j.PatternLayout
log4j.appender.file.layout.ConversionPattern=%n%-d{MM-dd HH:mm:ss}-%C.%M()%n[%p]%m%n
现在试一下,没有警告了吧😊。
爬取列表类网站例子
列表爬取的思想都很类似,首先判定是否为列表页,若是的话将文章url加入爬取队列,不是的话就代表此时为文章页,直接爬取你要的内容就可以。
选择一个列表类文章的网站:https://voice.hupu.com/nba
首先判断是文章还是列表,查看几个页面后可以找到规律,利用正则表达式区分。
page.getUrl().regex("https://voice\\.hupu\\.com/nba/[0-9]{7}\\.html").match()
如果满足上面的正则表达式,则该url对应的是一个文章页面。
接下来要对需要爬取的内容进行抽取,我选择了
WebMagic框架支持多种抽取方式,包括xPath、css选择器、正则表达式,还可以通过links()方法选择所有链接。
记住抽取之前要获得通过getHtml()来获取html对象,通过html对象来使用抽取方法。
ps:WebMagic好像不支持xPath中的last()方法,如果用到的话可以想其他方法代替。
然后利用page.putFiled(String key, Object field)方法来将你想要的内容放到一个键值对中。
page.putField("Title", page.getHtml().xpath("/html/body/div[4]/div[1]/div[1]/h1/text()").toString());
page.putField("Content", page.getHtml().xpath("/html/body/div[4]/div[1]/div[2]/div/div[2]/p/text()").all().toString());
如果不满足文章页的正则,就说明这是一个列表页,此时要通过xPath来定位页面中文章的url。
page.getHtml().xpath("/html/body/div[3]/div[1]/div[2]/ul/li/div[1]/h4/a/@href").all();
这时,你已经得到要爬取url的list,把他们通过addTargetRequests方法加入到队列中即可。
最后实现翻页,同理,WebMagic会自动添加到爬取队列中。
page.getHtml().xpath("/html/body/div[3]/div[1]/div[3]/a[@class='page-btn-prev']/@href").all()
下面是完整代码,自己实现了一个MysqlPipeline类,用到了Mybatis,可以将爬下来的数据直接持久化到数据库中。
也可以用自带的ConsolePipeline或者FilePipeline等。
packageedu.heu.spider;importjava.io.IOException;importjava.io.InputStream;importjava.util.Iterator;importjava.util.Map;importjava.util.Map.Entry;importorg.apache.ibatis.io.Resources;importorg.apache.ibatis.session.SqlSession;importorg.apache.ibatis.session.SqlSessionFactory;importorg.apache.ibatis.session.SqlSessionFactoryBuilder;importedu.heu.domain.News;importus.codecraft.webmagic.Page;importus.codecraft.webmagic.ResultItems;importus.codecraft.webmagic.Site;importus.codecraft.webmagic.Spider;importus.codecraft.webmagic.Task;importus.codecraft.webmagic.pipeline.Pipeline;importus.codecraft.webmagic.processor.PageProcessor;/*** @ClassName: HupuNewsSpider
*@authorLJH
* @date 2017年11月27日 下午4:54:48*/
public class HupuNewsSpider implementsPageProcessor {//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(100);publicSite getSite() {returnsite;
}public voidprocess(Page page) {//文章页,匹配https://voice.hupu.com/nba/七位数字.html
if (page.getUrl().regex("https://voice\\.hupu\\.com/nba/[0-9]{7}\\.html").match()) {
page.putField("Title", page.getHtml().xpath("/html/body/div[4]/div[1]/div[1]/h1/text()").toString());
page.putField("Content",
page.getHtml().xpath("/html/body/div[4]/div[1]/div[2]/div/div[2]/p/text()").all().toString());
}//列表页
else{//文章url
page.addTargetRequests(
page.getHtml().xpath("/html/body/div[3]/div[1]/div[2]/ul/li/div[1]/h4/a/@href").all());//翻页url
page.addTargetRequests(
page.getHtml().xpath("/html/body/div[3]/div[1]/div[3]/a[@class='page-btn-prev']/@href").all());
}
}public static voidmain(String[] args) {
Spider.create(new HupuNewsSpider()).addUrl("https://voice.hupu.com/nba/1").addPipeline(newMysqlPipeline())
.thread(3).run();
}
}//自定义实现Pipeline接口
class MysqlPipeline implementsPipeline {publicMysqlPipeline() {
}public voidprocess(ResultItems resultitems, Task task) {
Map mapResults =resultitems.getAll();
Iterator> iter =mapResults.entrySet().iterator();
Map.Entryentry;//输出到控制台
while(iter.hasNext()) {
entry=iter.next();
System.out.println(entry.getKey()+ ":" +entry.getValue());
}//持久化
News news = newNews();if (!mapResults.get("Title").equals("")) {
news.setTitle((String) mapResults.get("Title"));
news.setContent((String) mapResults.get("Content"));
}try{
InputStream is= Resources.getResourceAsStream("conf.xml");
SqlSessionFactory sessionFactory= newSqlSessionFactoryBuilder().build(is);
SqlSession session=sessionFactory.openSession();
session.insert("add", news);
session.commit();
session.close();
}catch(IOException e) {
e.printStackTrace();
}
}
}
查看数据库:😊
爬好的数据已经静静地躺在数据库中了。
官方文档中还介绍了通过注解来实现各种功能,非常简便灵活。
使用xPath时要留意,框架作者自定义了几个函数:
ExpressionDescriptionXPath1.0
text(n)
第n个直接文本子节点,为0表示所有
text() only
allText()
所有的直接和间接文本子节点
not support
tidyText()
所有的直接和间接文本子节点,并将一些标签替换为换行,使纯文本显示更整洁
not support
html()
内部html,不包括标签的html本身
not support
outerHtml()
内部html,包括标签的html本身
not support
regex(@attr,expr,group)
这里@attr和group均可选,默认是group0
not support
使用起来很方便。
参考资料
官方文档:https://github.com/code4craft/webmagic
http://webmagic.io/docs/zh/
xPath教程:http://www.w3school.com.cn/xpath/index.asp