webmagic解析html方式有哪些,webmagic爬取博客园所有文章

最近学习了下webmagic，学webmagic是因为想折腾下爬虫，但是自己学java的，又不想太费功夫，所以webmagic是比较好的选择了。

写了几个demo，源码流程大致看了一遍。想着把博客园的文章列表爬下来吧。

首页显示的就是第一页文章的列表，

但是翻页按钮不是链接，而是动态的地址：

实际请求的地址及参数：

针对这个动态页面的情况，有两种解决方案：

1. webmagic模拟post请求，获取返回页面。

1 public class CnblogsSpider implementsPageProcessor {2

3 private Site site = Site.me().setRetryTimes(3).setSleepTime(1000).setTimeOut(10000)4 .addHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36");5

6 public static final String URL_LIST = "https://www.cnblogs.com/mvc/AggSite/PostList.aspx";7

8 public static int pageNum = 1;9

10 public voidprocess(Page page) {11

12 if (page.getUrl().regex("^https://www\.cnblogs\.com$").match()) {13 try{14 page.addTargetRequests(page.getHtml().xpath("//*[@id="post_list"]/div/div[@class='post_item_body']/h3/a/@href").all());15 pageNum++;16 　　　　　 //模拟post请求

17 Request req = newRequest();18 req.setMethod(HttpConstant.Method.POST);19 req.setUrl("https://www.cnblogs.com/mvc/AggSite/PostList.aspx");20 req.setRequestBody(HttpRequestBody.json("{CategoryType: 'SiteHome', ParentCategoryId: 0, CategoryId: 808, PageIndex: " +pageNum21 + ", TotalPostCount: 4000,ItemListActionName:'PostList'}", "utf-8"));22 page.addTargetRequest(req);23 } catch(Exception e) {24 e.printStackTrace();25 }26 } else if (page.getUrl().regex(URL_LIST).match() && pageNum <= 200) {27 try{28 Thread.sleep(5000);29 List urls = page.getHtml().xpath("//*[@class='post_item']//div[@class='post_item_body']/h3/a/@href").all();30 page.addTargetRequests(urls);31 //模拟post请求

32 Request req = newRequest();33 req.setMethod(HttpConstant.Method.POST);34 req.setUrl("https://www.cnblogs.com/mvc/AggSite/PostList.aspx");35 req.setRequestBody(HttpRequestBody.json("{CategoryType: 'SiteHome', ParentCategoryId: 0, CategoryId: 808, PageIndex: " + ++pageNum36 + ", TotalPostCount: 4000,ItemListActionName:'PostList'}", "utf-8"));37 page.addTargetRequest(req);38 System.out.println("CurrPage:" + pageNum + "#######################################");39

40 } catch(Exception e) {41 e.printStackTrace();42 }43 } else{44 //获取页面需要的内容,这里只取了标题，其他信息同理。

45 System.out.println("抓取的内容：" + page.getHtml().xpath("//a[@id='cb_post_title_url']/text()").get());46 }47 }48

49 publicSite getSite() {50 returnsite;51 }52

53 public static voidmain(String[] args) {54 Spider.create(new CnblogsSpider()).addUrl("https://www.cnblogs.com").thread(3).run();55 }56 }

2.使用webmagic-selenium

1 public class SeleniumCnblogsSpider implementsPageProcessor {2

3 private Site site = Site.me().setRetryTimes(3).setSleepTime(1000).setTimeOut(10000)4 .addHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36");5

6 public static final String URL_LIST = "https://www\.cnblogs\.com/#p\d{1,3}";7

8 public static int pageNum = 1;9

10 public voidprocess(Page page) {11

12

13 if (page.getUrl().regex("^https://www\.cnblogs\.com$").match()) {//爬取第一页

14 try{15 page.addTargetRequests(page.getHtml().xpath("//*[@id="post_list"]/div/div[@class='post_item_body']/h3/a/@href").all());16

17 pageNum++;18 page.addTargetRequest("https://www.cnblogs.com/#p2");19 } catch(Exception e) {20 e.printStackTrace();21 }22 } else if (page.getUrl().regex(URL_LIST).match() && pageNum <= 200) {//爬取2-200页，一共有200页

23 try{24 List urls = page.getHtml().xpath("//*[@class='post_item']//div[@class='post_item_body']/h3/a/@href").all();25 page.addTargetRequests(urls);26

27 page.addTargetRequest("https://www.cnblogs.com/#p" + ++pageNum);28 System.out.println("CurrPage:" + pageNum + "#######################################");29

30 } catch(Exception e) {31 e.printStackTrace();32 }33 } else{34 //获取页面需要的内容

35 System.out.println("抓取的内容：" + page.getHtml().xpath("//a[@id='cb_post_title_url']/text()").get());36 }37 }38

39 publicSite getSite() {40 returnsite;41 }42

43 public static voidmain(String[] args) {44 System.setProperty("selenuim_config", "D:/config.ini");//配置文件，我用的webmagic0.7.2,低版本可能不需要该文件，但也不支持phantomjs.

45 Downloader downloader = new SeleniumDownloader();//调用seleniumdownloader，这个downlaoder可以驱动selenium,phantomjs等方式下载，由config.ini配置

46 downloader.setThread(10);47 Spider.create(new SeleniumCnblogsSpider()).setDownloader(downloader).addUrl("https://www.cnblogs.com").thread(10).runAsync();48 }49 }

另附我的config.ini和pom文件:

1 # What WebDriver to use for the tests2 driver=phantomjs3 #driver=firefox4 #driver=chrome5 #driver=http://localhost:89106 #driver=http://localhost:4444/wd/hub7

8 # PhantomJS specific config (change according to your installation)9 #phantomjs_exec_path=/Users/Bingo/bin/phantomjs-qt510 phantomjs_exec_path=d:/phantomjs.exe11 #phantomjs_driver_path=/Users/Bingo/Documents/workspace/webmagic/webmagic-selenium/src/main.js12 phantomjs_driver_loglevel=DEBUG

1

2 xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">

3 4.0.0

4 com.summit

5 WebMagicDemo

6 0.0.1-SNAPSHOT

7

8

9

10 us.codecraft

11 webmagic-core

12 0.7.2

13

14

15 us.codecraft

16 webmagic-extension

17 0.7.2

18

19

20 us.codecraft

21 webmagic-selenium

22 0.7.2

23

24

25 org.seleniumhq.selenium

26 selenium-java

27 2.41.0

28

29

30

如果依赖版本与此不一致，可能会出问题。

后记：

本文主要记录了我在解决webmagic爬取动态页面的心得。

方法1在可以获取动态访问地址的情况下用，比如通过调试工具，我可以找到第二页实际的访问地址是：https://www.cnblogs.com/mvc/AggSite/PostList.aspx，用这种方法实测效率比较高。但复杂场景下不推荐。

方法2主要是针对复杂场景，在实际地址很难找或者隐藏，网站有反扒措施的情况下通常很好用，因为它是模拟的实际的浏览器，比较耗费资源，效率比方法1低 。

webmagic0.7.2 支持selenium (chrome)，phantomjs的模拟浏览器行为的方式获取页面。我在方法2中使用的是phantomjs下载的。selenium 的方式我也试过，但是每次调用下载就会弹出浏览器窗口，很是不爽，也没找到如何解决，所以就不推荐了。

抓取结果截图：