JAVA爬虫实践（实践三：爬虫框架webMagic和csdnBlog爬虫）

WebMagic

WebMagic是一个简单灵活的Java爬虫框架。基于WebMagic，你可以快速开发出一个高效、易维护的爬虫。

采用HttpClient可以实现定向的爬虫，也可以自己编写算法逻辑来实现多线程，创建链接池，自动解析网页代码获取请求链接，封装正则表达式等等。

但是如果使用框架，就不再需要考虑爬虫的逻辑，只需要专注HTML内容的解析和获取。

引用WebMagic后写一个爬虫只需要编写一个类实现PageProcessor接口，实现两个方法。

一个WebMagic例子

package csdnblog;

import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
import java.io.PrintWriter;

import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;

public class MyPageProcessor implements PageProcessor {

    @Override
    public Site getSite() {
        // 重试3次,抓取间隔1S
        return Site.me().setRetryTimes(3).setSleepTime(1000);
    }

    @Override
    public void process(Page page) {
        page.addTargetRequests(page.getHtml().links().regex("http://blog\.csdn\.net/\?&page=.*").all());
    
        try {
            // 创建新文件
            String path = "D:\testFile\"+getFileName(page.getUrl().toString())+".html";
            PrintWriter printWriter = new PrintWriter(new FileWriter(new File(path)));
            // 写内容
            printWriter.write(page.getHtml().toString());
            printWriter.close();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    public static void main(String[] args) {
        Spider.create(new MyPageProcessor()).addUrl("http://blog.csdn.net").thread(5).run();
    }

    public String getFileName(String url) {
        return url.substring(20, url.length()).replace("?", "").replace("&", "");
    }
}

这个例子里实现了一个getSite方法，用来获取抓取网站的相关配置，包括：编码、抓取间隔、重试次数等

还实现了一个process方法，里面除了写文件的部分，就只有一个page.addTargetRequests()，它是用来为链接池添加爬虫需要的链接，当爬虫线程开启后，每个线程会到链接池中取链接，当链接池为空，爬虫结束。

page.addTargetRequests(page.getHtml().links().regex("http://blog\.csdn\.net/\?&page=.*").all());

即将所有符合"http:blog.csdn.net?&page=数字"的链接放入链接池中

例子中可以看到page.getHtml()即获取页面上HTML内容，在此基础上用xpath就可以取得其中想要的数据

xpath是一种HTML标签元素的路径表达方式

使用火狐firebug和谷歌浏览器F12都可以右键标签直接复制标签的xpath

可以采用xpath的方式获取链接池链接

// 添加所有文章页
page.addTargetRequests(page.getHtml().xpath("//div[@class='blog_list_wrap']").links()// 限定文章列表获取区域
        .regex("http://blog\.csdn\.net/.*/article/details/.*")
        .all());
// 添加其他列表页
page.addTargetRequests(page.getHtml().xpath("//div[@class='page_nav']").links()// 限定其他列表页获取区域
        .regex("http://blog\.csdn\.net.*")
        .all());

使用xpath获取页面中想要的数据

package csdnblog;

import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;

public class MyPageProcessor implements PageProcessor {

    @Override
    public Site getSite() {
        // 重试3次,抓取间隔1S
        return Site.me().setRetryTimes(3).setSleepTime(1000);
    }

    @Override
    public void process(Page page) {
        // 添加所有文章页
        page.addTargetRequests(page.getHtml().xpath("//div[@class='blog_list_wrap']").links()// 限定文章列表获取区域
                .regex("http://blog\.csdn\.net/.*/article/details/.*")
                .all());
        // 添加其他列表页
        page.addTargetRequests(page.getHtml().xpath("//div[@class='page_nav']").links()// 限定其他列表页获取区域
                .regex("http://blog\.csdn\.net.*")
                .all());   
        //如果当前页为文章页
        if(page.getUrl().regex("http://blog\.csdn\.net/.*/article/details/.*").match()){
            // 编号
            System.out.println("编号:" + page.getUrl().regex("http://blog\.csdn\.net/.*/article/details/(\d+)").get());
            // 标题
            System.out.println("标题:" + page.getHtml().xpath("//div[@class='article_title']//span[@class='link_title']/a/text()").get());
            // 日期
            System.out.println("日期" + page.getHtml().xpath("//div[@class='article_r']/span[@class='link_postdate']/text()").get());
            // 标签
            System.out.println("标签" + page.getHtml().xpath("//div[@class='article_l']/span[@class='link_categories']/a/allText()").all().toString());
            // 类别
            System.out.println("类别" + page.getHtml().xpath("//div[@class='category_r']/label/span/text()").all().toString());
        }
    }

    public static void main(String[] args) {
        Spider.create(new MyPageProcessor()).addUrl("http://blog.csdn.net").thread(5).run();
    }
}