集搜客操作过程:http://www.gooseeker.com/doc/article-143-1.html
第一步:(整理箱)建立一个存储数据文件夹
Webmagic爬虫:使用文档http://webmagic.io/docs/zh/posts/ch1-overview/README.html
设计文档http://www.oschina.net/p/webmagic
一、设计思想
参考Scrapy,实现由HttpClient,Jsoup等Java工一句话用Java实现
组件:Downloader、pageProcessor、Scheduler、Pipeline组件合并完成多线程的任务。以实现对爬虫的功能进行定制。
核心:webmagic-core包中。其他包则是该包的扩展
实用:虽然核心功能简单,但也有自己的扩展方式,如基于注解模式的爬虫开发
二、核心组件
Downloader:加载页面。负责从互联网上下载页面,以便后面处理。WebMagic默认使用了Apache HttpClient作为下载工具;
PageProcessor:抽取数据。负责解析页面,抽取有用信息,以发现新的链接。WebMagic使用作为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:数据管理以及数据。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。
除非项目有一些特殊的分布式需求,否则无需自己定制scheduler。
Pipeline:数据保存。负责抽取结果的处理,包括计算、持久化的文件、数据库等。WebMagic默认提供了“输出到控制台”和“保存大文件”两种处理法案。
Pipeline定义了结果保存的方式,如果要保存到指定的数据库,则需要编写对应的pipeline。对于一般需求值编写一个pipeline。
三、数据流转的对象
1. request
对URL地址的一层封装,一个Request对应一个URL地址。
他是PageProcessor与Downloader交互的载体,也是PageProcessor控制Downloader唯一方式。
除了URL本身外,它还包含一个Key-Value结构的字段extra。你可以在extra中保存一些特殊的属性,然后在其他地方读取。为完成不同的功能。例如附加上一个页面的一些信息等。
2. Page
Page 代表了从Downloader下载到一个页面----可能是HTML,也可能是JSON 或者其他文本格式的内容。
Page是WebMagic抽取过程中的核心对象,它提供了一些方法可供抽取、结果保存等。
3. ResultIterns
它相当于一个Map,保存PageProcesser处理的结果、提供Pipeline使用。它的API与Map类似,值得注意的是它有一个字段skip
,若设置为true,则不应被Pipeline处理。
四、爬虫运转引擎---Spider
Spider是WebMagic内部流程的核心。D(Downloader)-P(PageProcessor)-S(Scheduler)-P(Pipeline)都是Spider的一个属性,这些属性都可以自由设置,以实现不同的功能。Spider也是WebMagic操作的入口,它封装了爬虫的创建、启动、停止、多线程等功能。