Java爬虫框架WebMagic「终于解决」 |
您所在的位置：网站首页 › 企业爬虫架构 › Java爬虫框架WebMagic「终于解决」 |
Java爬虫框架WebMagic「终于解决」
|
Java爬虫框架WebMagic「终于解决」
思创斯忠实用户-ss • 2023年3月19日 13:51 • Java Java爬虫框架WebMagic「终于解决」WebMagic的架构设计参照了Scrapy，而实现则应用了HttpClient、Jsoup等Java成熟的工具。WebMagic由四个组件(Downloader、PageProcessor、Scheduler、Pipeline)构成:Downloader:下载器PageProcessor:页面解析器Scheduler：任务分配、url去重Pipeline：数据存储、处理WebMagic数据流转的对象:Request:一个Request对应一个URL地址。它是是Page 大家好，我是你的好朋友思创斯。今天说一说Java爬虫框架WebMagic「终于解决」,希望您对编程的造诣更进一步.
WebMagic的架构设计参照了Scrapy，而实现则应用了HttpClient、Jsoup等Java成熟的工具。 WebMagic数据流转的对象: Request : 一个Request对应一个URL地址 。它是是PageProcessor控制Downloader唯一方式。 Page : 代表了从Downloader下载到的内容 ResultItems : 相当于一个Map，它保存PageProcessor处理的结果，供Pipeline使用。爬虫引擎–Spider： Spider是WebMagic内部流程的核心，上面的四个组件都相当于Spider的一个属性，通过设置这个属性可以实现不同的功能。 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 使用 Maven来安装WebMagic us.codecraft webmagic-core 0.7.3 us.codecraft webmagic-extension 0.7.3
如果不使用Maven的话，可以去http://webmagic.io中下载最新的jar包，下载之后进行解压，然后在项目中import即可。 开始开发第一个爬虫项目中添加了WebMagic的依赖之后，即可开始第一个爬虫的开发了！ 下面是一个测试，点击main方法，选择“运行”，查看是否正常运行。 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 DemoPageGet implements PageProcessor { private Site site = Site.me(); @Override public void process(Page page) { System.out.println(page.getHtml()); } @Override public Site getSite() { return site; } public static void main(String[] args) { Spider.create(new DemoPageGet()).addUrl("http://httpbin.org/get").run(); } } 编写基本的爬虫在WebMagic里，实现一个基本的爬虫只需要编写一个类，实现PageProcessor接口即可。 这部分我们直接通过GithubRepoPageProcessor这个例子来介绍PageProcessor的编写方式。 PageProcessor的定制分为三个部分，分别是爬虫的配置、页面元素的抽取和链接的发现。 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(); } } 追加请求的链接先把链接通过正则匹配出来或者拼接出来，比如: page.getHtml().links().regex("").all() 再通过addTargetRequests方法 page.addTargetRequests(url) 则将这些链接加入到待抓取的队列中去。 爬虫的配置Spider: 爬虫程序的入口，Spider的其他组件（Downloader、Scheduler、Pipeline）都可以通过set方法来进行设置。 更多内容见官方文档。 页面元素的抽取WebMagic里主要使用了三种数据抽取技术： XPath 正则表达式 CSS选择器 另外，对于JSON格式的内容，可使用JsonPath进行解析 使用Pipeline保存结果WebMagic用于保存结果的组件叫做Pipeline。 例如我们通过“控制台输出结果”这件事也是通过一个内置的Pipeline完成的，它叫做ConsolePipeline。 那么，我现在想要把结果用Json的格式保存下来，怎么做呢？ 我只需要将Pipeline的实现换成”JsonFilePipeline”就可以了。 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("./webmagic")) //开启5个线程抓取 .thread(5) //启动爬虫 .run(); } 模拟POST请求方法0.7.1版本之后，废弃了老的nameValuePair的写法，采用在Request对象上添加Method和requestBody来实现。 Request request = new Request("http://xxx/path"); request.setMethod(HttpConstant.Method.POST); request.setRequestBody(HttpRequestBody.json("{'id':1}","utf-8"));HttpRequestBody内置了几种初始化方式，支持最常见的表单提交、json提交等方式。
文章由思创斯整理,转载请注明出处：https://ispacesoft.com/108157.html 赞 (0) 思创斯忠实用户-ss
0 0 生成海报
|
【本文地址】
今日新闻 |
推荐新闻 |