网络爬虫（三）- 爬虫框架

WebMagic

    WebMagic是一款爬虫框架，​其底层用到之前学习到的HttpClient 和 Jsoup ，可以让我们更方便的开发爬虫。

    ​WebMagic 项目代码分为核心和扩展两部分

    ​    ​- 核心部分是一个精简的、模块化的爬虫实现；

    ​    ​- 扩展部分则包括一些便利的、实用性强的功能。

    ​WebMagic 的设计目标是尽量的模块化，并体现爬虫的功能特点。这部分提供了非常简单、灵活的API，在基本不改变开发模式的情况下，编写爬虫。

    ​扩展部分提供一些便捷的功能，例如注解模式编写爬虫等。同事内置一些常用的组件，便于爬虫开发。

WebMagic架构

​    ​WebMagic 的结构分为 Downloader、PageProcessor、Scheduler、Pipeline四大组件，并有 Spider 将它们彼此组织起来。这四大组件分别对应爬虫生命周期中的下载、处理、管理和持久化等功能。WebMagic 的设计参考了 Scrapy（Python中的），但是实现方式更Java化一些。

    ​结构执行流程如下:

　　　

用于数据流转的对象

1.Request

　　Request（请求）跟我们web中学习的一样，Request是对 URL 地址的一层封装，一个Request对应一个URL地址。

　　它是 PageProcessor 与 Downloader 交互的载体，也是 PageProcessor 控制 Downloader 唯一方式。

2.Page

　　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。

3.ResultItems

　　ResultItems 相当于一个Map，它保存 PageProcessor 处理的结果，供 Pipeline 使用。

　　它的API与Map很类似，其中它有一个字段 skip,为true时，则不应该被 Pipeline处理。　　　

入门案例

1.导入依赖

　　创建Maven工程，并加入以下依赖 : 

    <dependencies>
        <!-- https://mvnrepository.com/artifact/us.codecraft/webmagic-core -->
        <dependency>
            <groupId>us.codecraft</groupId>
            <artifactId>webmagic-core</artifactId>
            <version>0.7.3</version>
        </dependency>

        <!-- https://mvnrepository.com/artifact/us.codecraft/webmagic-extension -->
        <dependency>
            <groupId>us.codecraft</groupId>
            <artifactId>webmagic-extension</artifactId>
            <version>0.7.3</version>
        </dependency>
    </dependencies>

　　ps: 0.7.3版本对SSL的并不完全，如果是直接从 Maven 中央仓库下载的依赖，在爬取只支持 SSL v1.2 的网站会有SSL的异常抛出。

　　解决方案：

　　　　1.等0.7.4版本的发布（放弃吧，有的人已经等三年了）

　　　　2.直接从 github 上下载最新的代码，安装到本地仓库（https://github.com/code4craft/webmagic）

• • • 下载解压（照顾一下 git用的不溜的小伙伴，就不使用 git了）
    • 
    • 

    • 

    • 跳过测试方法 

    • 

    • 安装到本地仓库

    • 

2.加入配置文件

　　WebMagic 已使用slf4j-log4j12作为 slf4j 的实现，无需导包。

加配置文件　

log4j.rootLogger=INFO,A1

log4j.appender.A1=org.apache.log4j.ConsoleAppender
log4j.appender.A1.layout=org.apache.log4j.PatternLayout
log4j.appender.A1.layout.ConversionPattern=%-d{yyyy-MM-dd HH:mm:ss,SSS} [%t] [%c] [%p] %m%n

3.1编写代码　　　　

public class JobProcessor implements PageProcessor {
    public static void main(String[] args) {
        Spider.create(new JobProcessor())   // new一个自己所写的JobProcessor对象
                .addUrl("http://112.124.1.187/index.html")
                .run();
    }
    // 负责解析页面
    @Override
    public void process(Page page) {
        // 解析返回的数据page,并且把解析的结果放到 ResultItems 中
        page.putField("首页通知",page.getHtml().css("div.content h2").all());
    }
    // 这个，将就写着，入门案例嘛，后面讲到
    private Site site = Site.me();
    @Override
    public Site getSite() {
        return site;
    }
}

　

　　ps: 这里解析页面数据：" page.putField("首页通知",page.getHtml().css("div.content h2").all()); ” 使用到的是 css抽取元素，另外还有 XPath、正则表达式 的方法来抽取元素，他们还可以拼接使用，这个可以自己去了解。

　　在抽取的过程中，总有可能抽取到多条元素，可使用不同的API获取一个或多个元素:

　　　　page.putField("首页通知",page.getHtml().css("div.content h2").get()　　// 一个元素（默认第一个）

　　　　page.putField("首页通知",page.getHtml().css("div.content h2").toString()　　// 一个元素（默认第一个）

　　　　page.putField("首页通知",page.getHtml().css("div.content h2").all()　　// 所有元素

3.2 获取链接

// 放在上面的 process 方法中执行。       
　　　　 // 获取链接
        // 这一行代码，获取，当前页面中抽取出来的带有其他 URL 地址的元素
        page.addTargetRequests(page.getHtml().css(".excerpt_ban p").links().all());
        // 这之间，做了一个跳转。下面的代码针对目标url地址的页面
        // 这一行代码，获取，目标 url 的HTML页面中，你要抽取的元素
        page.putField("链接抓取，博客标题",page.getHtml().css(".blog_title h4").all());

　　

　　图解:

3.3 使用 Pipeline 保存数据

　　WebMagic 用于保存结果的组件叫 Pipeline，默认向控制台输出结果，由内置的Pipeline（ConsolePipeline）完成。

　　将结果保存到文件中，将 Pipeline 的实现换成 FilePipeline.

    public static void main(String[] args) {
        Spider.create(new JobProcessor())   // new一个自己所写的JobProcessor对象
                .addUrl("http://112.124.1.187/index.html")  // 设置爬取数据的页面地址
                .addPipeline(new FilePipeline("E:\Crawler File")) // 结果保存到文件中
                .thread(5)  // 多线程:设置有5个线程处理(太草率了....)
                .run();
    }

 

爬虫的配置、启动和终止

　　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()启动。

　　同时，Spider 的其他组件(Downloder、Scheduler、Pipeline) 都可以配置。

• • create(PageProcessor)　　 创建Spider
  • addUrl(String .. urls) 　　添加初始的URL
  • thread(int n)　　 开启n个线程
  • run() 　　 启动，会阻塞当前线程执行
  • start()/runAsync() 　　异步启动，当前线程继续执行
  • stop 　　 停止爬虫
  • addPipeline(Pipeline p)　　 添加一个 Pipeline ,一个Spider可以有多个Pipeline
  • setScheduler(Scheduler s) 　　设置 Scheduler,一个Spider可以有多个 Scheduler
  • setDownloader(Downloader d) 　　设置 Downloader，一个Spider只能有一个 Downloader
  • get(String str) 　　 同步调用，并直接取得结果
  • getAll(String ...str) 　　 同步调用，并直接取得一堆结果

　　

　　- 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、代理等，都可以通过 Site 对象进行配置。

    // 这个，将就写着，入门案例嘛，后面讲到
    private Site site = Site.me()
            .setCharset("utf-8")    // 设置编码
            .setTimeOut(10 * 1000)     // 设置超时时间，单位:毫秒
            .setSleepTime(10)     // 抓取间隔时间
            .setCycleRetryTimes(10 * 1000)   // 重试的时间
            .setRetryTimes(3)    // 重试次数
            ;

• • setCharset(String charSet) 　　设置编码
  • setUserAgent(String str) 　　设置 UserAgent
  • setTimeOut(int ms) 　　设置超时时间，单位：毫秒
  • setRetryTimes(int num) 　　设置重试次数
  • setCycleRetryTimes(int num) 　　设置循环重试次数
  • addCookie(String key,String val) 　　添加一条 cookie
  • setDomain(String str) 　　 设置域名，需设置域名后，addCookie才可生效
  • addHeader(String s1,String s2) 　　 添加一条 请求头部
  • setHttpProxy(HttpHost host) 　　 设置 Http 代理