WebMagic写的网络爬虫

一、前言

　　最近因为有爬一些招聘网站的招聘信息的需要，而我之前也只是知道有“网络爬虫”这个神奇的名词，具体是什么、用什么实现、什么原理、如何实现比较好都不清楚，因此最近大致研究了一下，当然，研究的并不是很深入，毕竟一个高大上的知识即使站在巨人的肩膀上，也不能两三天就融会贯通。在这里先做一个技术储备吧，具体的疑难知识点、细节等以后一点一点的完善，如果现在不趁热打铁，以后再想起来恐怕就没印象了，那么以我的懒惰的性格估计就要抛弃对它的爱情了。废话不多说，让我们开始在知识的海洋里遨游吧。哎，等等，说到这我突然想到昨天新记的一首诗感觉挺好，给大家分享一下，缓解一下气氛，再给大家讲爬虫吧：

　　　　　　   君生我未生，我生君已老 君恨我生迟，我恨君生早
                   君生我未生，我生君已老 恨不生同时，日日与君好
                   我生君未生，君生我已老 我离君天涯，君隔我海角
                   我生君未生，君生我已老 化蝶去寻花，夜夜栖芳草  

二、什么是网络爬虫

　　是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

三、优点

　　简单易理解，管理方便。

四、WebMagic总体架构 

　　

五、如何用WwbMagic

　　1.5.1 WebMagic的四个组件　　　

1.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Apache HttpClient作为下载工具。

2.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。

3.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。

除非项目有一些特殊的分布式需求，否则无需自己定制Scheduler。

4.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。

Pipeline定义了结果保存的方式，如果你要保存到指定数据库，则需要编写对应的Pipeline。对于一类需求一般只需编写一个Pipeline。

1.5.2  爬虫项目简单例子　

依赖：

<dependency>
    <groupId>us.codecraft</groupId>
    <artifactId>webmagic-core</artifactId>
    <version>0.6.1</version>
</dependency>
<dependency>
    <groupId>us.codecraft</groupId>
    <artifactId>webmagic-extension</artifactId>
    <version>0.6.1</version>
</dependency>

简单代码：　　

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

public class GithubRepoPageProcessor implements PageProcessor {

    private Site site = Site.me().setRetryTimes(3).setSleepTime(100);

    @Override
    public void process(Page page) {
        page.addTargetRequests(page.getHtml().links().regex("(https://github\.com/\w+/\w+)").all());
        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()"));
    }

    @Override
    public Site getSite() {
        return site;
    }

    public static void main(String[] args) {
        Spider.create(new GithubRepoPageProcessor()).addUrl("https://github.com/code4craft").thread(5).run();
    }

 如果仔细分析这段代码的逻辑，将其弄明白了，那么对于一个简单的爬虫项目，你就可以自己写了。

addUrl是定义从哪一个页面开始爬取；

addTargetRequests(page.getHtml().links().regex("(https://github\.com/\w+/\w+)").all());是指定抓取html页面的符合此正则表达式的所有链接url；

page.getHtml().xpath("//h1[@class='entry-title public']/strong/a/text()").toString是指定抓取h1标签下的class属性值为entry-title public的子标

签strong下的a标签下的文本内容；

   tidyText()所有的直接和间接文本子节点，并将一些标签替换为换行，使纯文本显示更整洁。当然这也就要求大家也要对正则表达式熟悉了。本文用的是xsoup，Xsoup是
基于Jsoup开发的一款XPath 解析器，之前WebMagic使用的解析器是HtmlCleaner，使用过程存在一些问题。主要问题是XPath出错定位不准确，并且其不太合理的代码结构
，也难以进行定制。而Xsoup更加符　 合爬虫开发的需 要。令人欣喜的是，经过测试，Xsoup的性能比HtmlCleaner要快一倍以上。　

　　通过注解将值赋给model属性的实体类：
　　　　　　

@TargetUrl("https://github.com/\w+/\w+")
@HelpUrl("https://github.com/\w+")
public class GithubRepo {

    @ExtractBy(value = "//h1[@class='entry-title public']/strong/a/text()", notNull = true)
    private String name;

    @ExtractByUrl("https://github\.com/(\w+)/.*")
    private String author;

    @ExtractBy("//div[@id='readme']/tidyText()")
    private String readme;
}

 
提示：
HelpUrl/TargetUrl是一个非常有效的爬虫开发模式，TargetUrl是我们最终要抓取的URL，最终想要的数据都来自这里；而HelpUrl则是为了发现这个最终URL，我们需要访问的页面。几乎所有垂直爬虫的需求，都可以归结为对这两类URL的处理：

• 对于博客页，HelpUrl是列表页，TargetUrl是文章页。
• 对于论坛，HelpUrl是帖子列表，TargetUrl是帖子详情。
• 对于电商网站，HelpUrl是分类列表，TargetUrl是商品详情。

模拟浏览器请求：
　　

    public VideoSpider(String url, String proxyStr) {
        this.client_url = url;
        String[] tmp = proxyStr.split(":");
        HttpHost proxy = new HttpHost(tmp[1].substring(2), Integer.parseInt(tmp[2]), tmp[0]);
        Site site = Site.me().setRetryTimes(3).setHttpProxy(proxy).setSleepTime(100).setTimeOut(10 * 1000).setCharset("UTF-8")
                .setUserAgent("Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36");

        GPHttpClientDownloader downloader = new GPHttpClientDownloader();
        Request request = new Request(this.client_url);

        this.setCookie(request, site, downloader);
        this.setParameters(request, site, downloader);
    }

　　中setUserAgent("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.57 Safari/537.36"),jobInfoDaoPipeline, LieTouJobInfo.class)

  是模拟火狐、苹果、谷歌等浏览器进行请求将通过实体类LieTouJobInfo来抓取指定的内容并通过数据库访问层jobInfoDaoPipeline将相关属性存入数据库。

六、思考

　　简单的爬虫用以上代码基本就可以实现，但是我们要知道，要想真正爬取自己想要的内容，还有一段很长的落要走。因为我们在抓取数据的时候要考虑到去重、动态页面的产生、快速的更新频率、巨大的数据量等等的问题。针对这些问题我们该怎么做才能有效简单的去解决，这是
一个特别值得探讨的问题。就先写到这吧，如果我研究的有进展了，足以在公司项目中稳定投入使用了，再来完善吧。

下载：

最新版：WebMagic-0.6.1

Maven依赖：

<dependency>
    <groupId>us.codecraft</groupId>
    <artifactId>webmagic-core</artifactId>
    <version>0.6.1</version>
</dependency>
<dependency>
    <groupId>us.codecraft</groupId>
    <artifactId>webmagic-extension</artifactId>
    <version>0.6.1</version>
</dependency>

文档：

• 中文: http://webmagic.io/docs/zh/
• English: http://webmagic.io/docs/en

源码：

• https://git.oschina.net/flashsword20/webmagic
• https://github.com/code4craft/webmagic