WebMagic爬取网页信息

package cc.mrbird.febs.system.collection.cs;

import cc.mrbird.febs.common.utils.StringUtils;
import cc.mrbird.febs.system.collection.MysqlPipeline;
import cc.mrbird.febs.system.collection.rmw.RmwCollection;
import cc.mrbird.febs.system.entity.CjData;
import org.jsoup.Jsoup;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Component;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.scheduler.BloomFilterDuplicateRemover;
import us.codecraft.webmagic.scheduler.QueueScheduler;
import us.codecraft.webmagic.selector.Selectable;

import java.util.Date;
import java.util.List;

@Component
public class CsCollection implements PageProcessor {

    @Autowired
    private MysqlPipeline mysqlPipeline;
    // 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);

    private String url = "https://www.casl.org.cn/policy/getByPolicy/zcfg";

    @Override
    public Site getSite() {

        return site;
    }

    @Override
    public void process(Page page) {
        //文章详情链接正则表达式/html/body/div[4]/div[2]/div[1]/div[1]/a/div[3]/h2
        String describeLink = "http://localhost:8080/policy/selectDetail/\\d{3}";
        //文章标题/html/body/div[4]/div[1]
        String titleXpath = "/html/body/div[4]/div[1]/text()";
        //文章来源/html/body/div[4]/div[2]/div[1]/span[2]
        String sourceXpath = "/html/body/div[4]/div[2]/div[1]/span[2]/text()";
        //发布时间
        String publishTime="/html/body/div[4]/div[2]/div[1]/span[1]/text()";

        String lbPublishTime ="/html/body/div[4]/div[2]/div[1]/div[1]/a/div[3]/p[2]/span";

        //判断是列表页还是详情页
        List<Selectable> listurl = page.getHtml().css("div.zcwj_con div.zcwj_list div.hui").nodes();
        if (listurl.size() == 0) {//详情页
            String sourceStr=page.getHtml().xpath(sourceXpath).regex(".*原创.*").toString();
            if(sourceStr!=null && !sourceStr.equals("")){
                CjData cjData=new CjData();
                cjData.setTitle(page.getHtml().xpath(titleXpath).toString());
                String publishStr=page.getHtml().xpath(publishTime).toString();
                cjData.setPublishTime(publishStr);
                cjData.setSource(page.getHtml().xpath(sourceXpath).toString());
                cjData.setContext(Jsoup.parse(page.getHtml().css("div#content1").toString()).text());
                cjData.setUrl(page.getUrl().toString());
                cjData.setCreateTime(new Date());
                page.putField("cjData",cjData);
            }
        } else {
            //如果是列表页
            //获取列表页所有文章的url
            for (Selectable selectable : listurl) {
                String strurl = selectable.links().toString();
                page.addTargetRequest(strurl);
            }
        }
    }

    public void process() {
        Spider.create(new CsCollection())
                .addUrl(url)
                .setScheduler(new QueueScheduler().setDuplicateRemover(new BloomFilterDuplicateRemover(1000000)))//url去重
                .addPipeline(this.mysqlPipeline)
                .thread(3)
                .run();
    }


}

教程点我

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值