Java使用WebMagic 爬取网站

安装

这里使用maven进行安装。 根据maven下载相关的包

 <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>

Hello World

几乎所有的api的学习，都是从hello world开始的，webmagic也不例外，使用的同样也是hello world案例。 以爬取sina博文为例。 复制以下代码

 package com.example.demo;
 ​
 import us.codecraft.webmagic.Page;
 import us.codecraft.webmagic.Site;
 import us.codecraft.webmagic.Spider;
 import us.codecraft.webmagic.processor.PageProcessor;
 ​
 public class SinaBlogProcessor implements PageProcessor {
 ​
   public static final String URL_LIST = "http://blog\.sina\.com\.cn/s/articlelist_1487828712_0_\d+\.html";
 ​
   public static final String URL_POST = "http://blog\.sina\.com\.cn/s/blog_\w+\.html";
 ​
   private Site site = Site
           .me()
           .setDomain("blog.sina.com.cn")
           .setSleepTime(3000)
           .setUserAgent(
                   "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_2) AppleWebKit/537.31 (KHTML, like Gecko) Chrome/26.0.1410.65 Safari/537.31");
 ​
   @Override
   public void process(Page page) {
     //列表页
     if (page.getUrl().regex(URL_LIST).match()) {
       page.addTargetRequests(page.getHtml().xpath("//div[@class="articleList"]").links().regex(URL_POST).all());
       page.addTargetRequests(page.getHtml().links().regex(URL_LIST).all());
       //文章页
     } else {
       page.putField("title", page.getHtml().xpath("//div[@class='articalTitle']/h2"));
       page.putField("content", page.getHtml().xpath("//div[@id='articlebody']//div[@class='articalContent']"));
       page.putField("date",
               page.getHtml().xpath("//div[@id='articlebody']//span[@class='time SG_txtc']").regex("\((.*)\)"));
     }
   }
 ​
   @Override
   public Site getSite() {
     return site;
   }
 ​
   public static void main(String[] args) {
     Spider.create(new SinaBlogProcessor()).addUrl("http://blog.sina.com.cn/s/articlelist_1487828712_0_1.html")
             .run();
   }
 }

查看相关运行结果

 

这里就等于说已经运行成功，爬取到了一些数据

PageProcessor

这里用于实现相关的配置。

代码如下

 public class GithubRepoPageProcessor implements PageProcessor {
 ​
     // 部分一：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(1000);
 ​
     @Override
     // process是定制爬虫逻辑的核心接口，在这里编写抽取逻辑
     public void process(Page page) {
         // 部分二：定义如何抽取页面信息，并保存下来
         page.putField("author", page.getUrl().regex("https://github\.com/(\w+)/.*").toString());
         page.putField("name", page.getHtml().xpath("//h1[@class='entry-title public']/strong/a/text()").toString());
         if (page.getResultItems().get("name") == null) {
             //skip this page
             page.setSkip(true);
         }
         page.putField("readme", page.getHtml().xpath("//div[@id='readme']/tidyText()"));
 ​
         // 部分三：从页面发现后续的url地址来抓取
         page.addTargetRequests(page.getHtml().links().regex("(https://github\.com/[\w\-]+/[\w\-]+)").all());
     }
 ​
     @Override
     public Site getSite() {
         return site;
     }
 ​
     public static void main(String[] args) {
 ​
         Spider.create(new GithubRepoPageProcessor())
                 //从"https://github.com/code4craft"开始抓
                 .addUrl("https://github.com/code4craft")
                 //开启5个线程抓取
                 .thread(5)
                 //启动爬虫
                 .run();
     }
 }

抽取元素

这里使用相关的方法抽取元素。

 这里使用相关的方法抽取相关的元素

 List<String> urls = page.getHtml().css("div.pagination").links().regex(".*/search/?l=java.*").all();

保存结果

这里保存结果使用Pipeline方法

 public static void main(String[] args) {
     Spider.create(new GithubRepoPageProcessor())
             //从"https://github.com/code4craft"开始抓
             .addUrl("https://github.com/code4craft")
             .addPipeline(new JsonFilePipeline("D:\webmagic\"))
             //开启5个线程抓取
             .thread(5)
             //启动爬虫
             .run();
 }

实际案例

这里以 http://blog.sina.com.cn/flashsword20 作为例子，在这个例子里，要从最终的博客文章页面，抓取博客的标题，内容，和日期。

列表页

列表页的格式为 http://blog.sina.com.cn/s/articlelist_1487828712_0_1.html 这里0和1都是可变的页数。

文章页

文章页的格式是，http://blog.sina.com.cn/s/blog_58ae76e80100g8au.html 这里，最后一段是可变的字符串，为文章的id

进行正则匹配

这里用两个正则进行匹配。 这里用，xpath//div[@class="articleList"] 进行相关的匹配，

所以，可以这样进行匹配

 page.addTargetRequests(page.getHtml().xpath("//div[@class="articleList"]").links().regex("http://blog\.sina\.com\.cn/s/blog_\w+\.html").all());
 page.addTargetRequests(page.getHtml().links().regex("http://blog\.sina\.com\.cn/s/articlelist_1487828712_0_\d+\.html").all());

内容的添加

这里再进行一次内容的添加

 page.putField("title", page.getHtml().xpath("//div[@class='articalTitle']/h2"));
 page.putField("content", page.getHtml().xpath("//div[@id='articlebody']//div[@class='articalContent']"));
 page.putField("date",
         page.getHtml().xpath("//div[@id='articlebody']//span[@class='time SG_txtc']").regex("\((.*)\)"));

区分列表和目标页

这里，进行区分列表页，和目标页。

 //列表页
 if (page.getUrl().regex(URL_LIST).match()) {
     page.addTargetRequests(page.getHtml().xpath("//div[@class="articleList"]").links().regex(URL_POST).all());
     page.addTargetRequests(page.getHtml().links().regex(URL_LIST).all());
     //文章页
 } else {
     page.putField("title", page.getHtml().xpath("//div[@class='articalTitle']/h2"));
     page.putField("content", page.getHtml().xpath("//div[@id='articlebody']//div[@class='articalContent']"));
     page.putField("date",
             page.getHtml().xpath("//div[@id='articlebody']//span[@class='time SG_txtc']").regex("\((.*)\)"));
 }

这样就完成了最基本例子的读取。

最后我把我收集的各大厂经典高频面试题和Java高级进阶、架构师视频教程送予大家。部分资料如下图所示：

获取地址：java进阶学习资料，面试题，电子书籍免费获取