架构解析
WebMagic项目代码分为核心和扩展两部分。核心部分(webmagic-core)是一个精简的、模块化的爬虫实现,而扩展部分则包括一些便利的、实用性的功能。扩展部分 (webmagic-extension)提供一些便捷的功能,例如注解模式编写爬虫等。同时内置了一些常用的组件,便于爬虫开发。
WebMagic的设计目标是尽量的模块化,并体现爬虫的功能特点。这部分提供非常简单、灵活的API,在基本不改变开发模式的情况下,编写一个爬虫。
WebMagic的结构分为Downloader、PageProcessor、Scheduler、Pipeline四大组件,并由Spider将它们彼此组织起来。这四大组件对应爬虫生命周期中的下载、处理、管理和持久化等功能。而Spider则将这几个组件组织起来,让它们可以互相交互,流程化的执行,可以认为Spider是一个大的容器,它也是WebMagic逻辑的核心。
四大组件
- Downloader
Downloader负责从互联网上下载页面,以便后续处理。WebMagic默认使用了 ApacheHttpClient作为下载工具。
- PageProcessor
PageProcessor负责解析页面,抽取有用信息,以及发现新的链接。WebMagic使用Jsoup 作为HTML解析工具,并基于其开发了解析XPath的工具Xsoup。在这四个组件中,PageProcessor对于每个站点每个页面都不一样,是需要使用者定制的部分。
- Scheduler
Scheduler负责管理待抓取的URL,以及一些去重的工作。WebMagic默认提供了JDK的内存队列来管理URL,并用集合来进行去重。也支持使用Redis进行分布式管理。
- Pipeline
Pipeline负责抽取结果的处理,包括计算、持久化到文件、数据库等。WebMagic默认提供 了“输出到控制台”和“保存到文件”两种结果处理方案。
PageProcessor
需求:编写爬虫程序,爬取csdn中博客–Java的内容
爬取页面全部内容
https://blog.csdn.net/nav/java
(1)创建工程,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>
(2)编写类实现网页内容的爬取
public class ProcessDemo1 implements PageProcessor {
public void process(Page page) {
System.out.println(page.getHtml().toString()); // 抓取全部内容
}
public Site getSite() {
// setRetryTimes 设置重试次数
// setSleepTime 设置时间间隔(毫秒) 默认5秒
return Site.me().setRetryTimes(3).setSleepTime(100);
}
public static void main(String[] args) {
Spider.create(new ProcessDemo1()).addUrl("https://blog.csdn.net/").run();
}
}
Spider是爬虫启动的入口。在启动爬虫之前,我们需要使用一个PageProcessor创建 一个Spider对象,然后使用run()进行启动。
方法 | 说明 | 示例 |
---|---|---|
create(PageProcessor) | 创建Spider | Spider.create(new GithubRepoProcessor()) |
addUrl(String…) | 添加初始的URL | spider.addUrl(“http://webmagic.io/docs/”) |
thread(n) | 开启n个线程 | spider.thread(5) |
run() | 启动,会阻塞当前线程执行 | spider.run() |
start()/runAsync() | 异步启动,当前线程继续执行 | spider.start() |
stop() | 停止爬虫 | spider.stop() |
addPipeline(Pipeline) | 添加一个Pipeline,一个Spider可以有多个Pipeline | spider.addPipeline(new ConsolePipeline()) |
setScheduler(Scheduler) | 设置Scheduler,一个Spider只能有个一个Scheduler | spider.setScheduler(new RedisScheduler()) |
setDownloader(Downloader) | 设置Downloader, 一个Spider只能有个一个Downloader | spider.setDownloader( new SeleniumDownloader()) |
get(String) | 同步调用,并直接取得结果 | ResultItems result = spider.get(“http://webmagic.io/docs/”) |
getAll(String…) | 同步调用,并直接取得一堆结果 | List results = spider.getAll(“http://webmagic.io/docs/”, “http://webmagic.io/xxx”) |
同时Spider的其他组件(Downloader、Scheduler、Pipeline)都可以通过set方法来 进行设置。
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。Page是WebMagic抽取过程的核心对象,它提供一些方法可供抽 取、结果保存等。
Site用于定义站点本身的一些配置信息,例如编码、HTTP头、超时时间、重试策略等、代理等,都可以通过设置Site对象来进行配置
方法 | 说明 | 示例 |
---|---|---|
setCharset(String) | 设置编码 | site.setCharset(“utf-8”) |
setUserAgent(String) | 设置 UserAgent | site.setUserAgent(“Spider”) |
setTimeOut(int) | 设置超时时间,单位是毫秒 | site.setTimeOut(3000) |
setRetryTimes(int) | 设置重试次数 | site.setRetryTimes(3) |
setCycleRetryTimes(int) | 设置循环重试次数 | site.setCycleRetryTimes(3) |
addCookie(String,String) | 添加一条cookie | site.addCookie(“dotcomt_user”,“code4craft”) |
setDomain(String) | 设置域名,需设置域名后,addCookie才可生效 | site.setDomain(“github.com”) |
addHeader(String,String) | 添加一条 addHeader | site.addHeader(“Referer”,“https://github.com”) |
setHttpProxy(HttpHost) | 设置Http代理 | site.setHttpProxy(new HttpHost(“127.0.0.1”,8080)) |
爬取指定内容(XPath)
如果我们想爬取网页中部分的内容,需要指定xpath。
XPath,即为XML路径语言(XMLPathLanguage),它是一种用来确定XML文档中某 部分位置的语言。XPath 使用路径表达式来选取 XML 文档中的节点或者节点集。这些路径 表达式和我们在常规的电脑文件系统中看到的表达式非常相似。语法详见XPath语法
通过指定xpath来抓取网页的部分内容
public class ProcessDemo2 implements PageProcessor {
public void process(Page page) {
System.out.println(page.getHtml().xpath("//*[@id=\"nav\"]/div/div/ul/li[5]/a").toString());
}
public Site getSite() {
// setRetryTimes 设置重试次数
// setSleepTime 设置时间间隔(毫秒) 默认5秒
return Site.me().setRetryTimes(3).setSleepTime(100);
}
public static void main(String[] args) {
Spider.create(new ProcessDemo2()).addUrl("https://blog.csdn.net/").run();
}
}
以上代码的含义:id为nav的节点下的div节点下的div节点下的ul下的第5个li节点下的a节点
看一下输出结果
<a href="/nav/java">Java</a>
添加目标地址
我们可以通过添加目标地址,从种子页面爬取到更多的页面
public class ProcessDemo3 implements PageProcessor {
public void process(Page page) {
// 添加目标地址
page.addTargetRequests(page.getHtml().links().all()); // 添加全部地址
System.out.println(page.getHtml().xpath("//*[@id=\"nav\"]/div/div/ul/li[5]/a").toString());
}
public Site getSite() {
// setRetryTimes 设置重试次数
// setSleepTime 设置时间间隔(毫秒) 默认5秒
return Site.me().setRetryTimes(3).setSleepTime(100);
}
public static void main(String[] args) {
Spider.create(new ProcessDemo3()).addUrl("https://blog.csdn.net/").run();
}
}
运行后发现好多地址都出现在控制台
目标地址正则匹配
需求:只提取播客的文章详细页内容,并提取标题
public class ProcessDemo4 implements PageProcessor {
public void process(Page page) {
// 添加目标地址
page.addTargetRequests(
page.getHtml().links().regex("https://blog.csdn.net/weixin_45730091/article/details/[0-9]{9}").all());
page.putField("title",
page.getHtml().xpath("//*[@id=\"mainBox\"]/main/div[1]/div[1]/div/div[1]/h1/text()").toString());
}
public Site getSite() {
// setRetryTimes 设置重试次数
// setSleepTime 设置时间间隔(毫秒) 默认5秒
return Site.me().setRetryTimes(3).setSleepTime(100);
}
public static void main(String[] args) {
Spider.create(new ProcessDemo4()).addUrl("https://blog.csdn.net/weixin_45730091").run();
}
}
Pipeline
ConsolePipeline 控制台输出
public class ProcessDemo5 implements PageProcessor {
public void process(Page page) {
// 添加目标地址
page.addTargetRequests(
page.getHtml().links().regex("https://blog.csdn.net/weixin_45730091/article/details/[0-9]{9}").all());
page.putField("title",
page.getHtml().xpath("//*[@id=\"mainBox\"]/main/div[1]/div[1]/div/div[1]/h1/text()").toString());
}
public Site getSite() {
// setRetryTimes 设置重试次数
// setSleepTime 设置时间间隔(毫秒) 默认5秒
return Site.me().setRetryTimes(3).setSleepTime(100);
}
public static void main(String[] args) {
Spider.create(new ProcessDemo5()).addUrl("https://blog.csdn.net/weixin_45730091")
.addPipeline(new ConsolePipeline())// 控制台输出
.run();
}
}
FilePipeline 文件保存
public class ProcessDemo6 implements PageProcessor {
public void process(Page page) {
// 添加目标地址
page.addTargetRequests(
page.getHtml().links().regex("https://blog.csdn.net/weixin_45730091/article/details/[0-9]{9}").all());
page.putField("title",
page.getHtml().xpath("//*[@id=\"mainBox\"]/main/div[1]/div[1]/div/div[1]/h1/text()").toString());
}
public Site getSite() {
// setRetryTimes 设置重试次数
// setSleepTime 设置时间间隔(毫秒) 默认5秒
return Site.me().setRetryTimes(3).setSleepTime(100);
}
public static void main(String[] args) {
Spider.create(new ProcessDemo6()).addUrl("https://blog.csdn.net/weixin_45730091")
.addPipeline(new ConsolePipeline())// 控制台输出
.addPipeline(new FilePipeline("e:/p"))// FilePipeline 文件保存
.run();
}
}
JsonFilePipeline
以json方式保存
public class ProcessDemo7 implements PageProcessor {
public void process(Page page) {
// 添加目标地址
page.addTargetRequests(
page.getHtml().links().regex("https://blog.csdn.net/weixin_45730091/article/details/[0-9]{9}").all());
page.putField("title",
page.getHtml().xpath("//*[@id=\"mainBox\"]/main/div[1]/div[1]/div/div[1]/h1/text()").toString());
}
public Site getSite() {
// setRetryTimes 设置重试次数
// setSleepTime 设置时间间隔(毫秒) 默认5秒
return Site.me().setRetryTimes(3).setSleepTime(100);
}
public static void main(String[] args) {
Spider.create(new ProcessDemo7()).addUrl("https://blog.csdn.net/weixin_45730091")
.addPipeline(new ConsolePipeline())// 控制台输出
.addPipeline(new FilePipeline("e:/p"))// FilePipeline 文件保存
.addPipeline(new JsonFilePipeline("e:/pjson"))// 以json方式保存
.run();
}
}
定制Pipeline
如果以上Pipeline都不能满足你的需要,你可以定制Pipeline
(1)创建类PipelineDemo实现接口Pipeline
public class PipelineDemo implements Pipeline {
public void process(ResultItems resultItems, Task task) {
String title = resultItems.get("title");
System.out.println("我的定制的 title:" + title);
}
}
(2)修改main方法
public class ProcessDemo8 implements PageProcessor {
public void process(Page page) {
// 添加目标地址
page.addTargetRequests(
page.getHtml().links().regex("https://blog.csdn.net/weixin_45730091/article/details/[0-9]{9}").all());
page.putField("title",
page.getHtml().xpath("//*[@id=\"mainBox\"]/main/div[1]/div[1]/div/div[1]/h1/text()").toString());
}
public Site getSite() {
// setRetryTimes 设置重试次数
// setSleepTime 设置时间间隔(毫秒) 默认5秒
return Site.me().setRetryTimes(3).setSleepTime(100);
}
public static void main(String[] args) {
Spider.create(new ProcessDemo8()).addUrl("https://blog.csdn.net/weixin_45730091")
.addPipeline(new ConsolePipeline())// 控制台输出
.addPipeline(new FilePipeline("e:/p"))// FilePipeline 文件保存
.addPipeline(new JsonFilePipeline("e:/pjson"))// 以json方式保存
.addPipeline(new PipelineDemo())// 定制Pipeline
.run();
}
}
Scheduler
我们刚才完成的功能,每次运行可能会爬取重复的页面,这样做是没有任何意义的。
Scheduler(URL管理) 基本的功能是实现对已经爬取的URL进行标示。可以实现URL的增 量去重。
目前scheduler主要有三种实现方式:
- 内存队列 QueueScheduler
- 文件队列 FileCacheQueueScheduler
- Redis队列 RedisScheduler
内存队列
使用setScheduler来设置Scheduler
public static void main(String[] args) {
Spider.create(new ProcessDemo9()).addUrl("https://blog.csdn.net/weixin_45730091")
.setScheduler(new QueueScheduler())// 内存队列
.run();
}
文件队列
使用文件保存抓取URL,可以在关闭程序并下次启动时,从之前抓取到的URL继续抓取
(1)创建文件夹E:\scheduler
(2)修改代码
public static void main(String[] args) {
Spider.create(new ProcessDemo10()).addUrl("https://blog.csdn.net/weixin_45730091")
.setScheduler(new FileCacheQueueScheduler("e:/mysch"))// 文件队列
.run();
}
运行后文件夹E:\scheduler会产生两个文件
Redis队列
使用Redis保存抓取队列,可进行多台机器同时合作抓取
(1)运行redis服务端
(2)修改代码
public static void main(String[] args) {
Spider.create(new ProcessDemo11()).addUrl("https://blog.csdn.net/weixin_45730091")
.setScheduler(new RedisScheduler("127.0.0.1"))// Redis队列
.run();
}