java爬虫系列第一讲-爬虫入门

1. 概述

java爬虫系列包含哪些内容？

1. java爬虫框架webmgic入门
2. 使用webmgic爬取 http://ady01.com 中的电影资源（动作电影列表页、电影下载地址等信息）
3. 使用webmgic爬取 极客时间 的课程资源（文章系列课程 和 视频系列的课程）

本篇文章主要内容：

1. 介绍java中好用的爬虫框架
2. java爬虫框架webmagic介绍
3. 使用webgic爬取动作电影列表信息

2. java中好用的爬虫框架

如何判断框架是否优秀？

1. 容易学习和使用，网上对应的学习资料比较多，并且比较完善
2. 使用的人比较多，存在的坑别人已经帮你填的差不多了，用起来会更顺心一些
3. 框架更新比较快，社区活跃，可以快速体验一些更好的功能，并与作者进行交流
4. 框架稳定、方便扩展

按照以上几点的，推荐一款非常好用的java爬虫框架webmgic

3. webmgic介绍

• 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。
• webmagic官网：http://webmagic.io/
• webmgic中文学习文档：http://webmagic.io/docs/zh/

4.使用webgic爬取动作电影列表

使用webgic爬取 爱电影 电影列表资源信息

示例源码地址

1. 新建springboot项目java-pachong

2. 导入maven配置

    
        org.springframework.boot
        spring-boot-starter
    

    
        org.projectlombok
        lombok
        true
    
    
        org.springframework.boot
        spring-boot-starter-test
        test
    

    
    
        us.codecraft
        webmagic-core
        0.7.3
        
            
                fastjson
                com.alibaba
            
            
                commons-io
                commons-io
            
            
                commons-io
                commons-io
            
            
                fastjson
                com.alibaba
            
            
                fastjson
                com.alibaba
            
            
                log4j
                log4j
            
            
                slf4j-log4j12
                org.slf4j
            
        
    
    
        us.codecraft
        webmagic-extension
        0.7.3
    
    
        us.codecraft
        webmagic-selenium
        0.7.3
    
    
        net.minidev
        json-smart
        2.2.1
    
    
    
        com.alibaba
        fastjson
        1.2.49
    
    
        commons-lang
        commons-lang
        2.6
    
    
        commons-io
        commons-io
        2.6
    
    
        commons-codec
        commons-codec
        1.11
    
    
        commons-collections
        commons-collections
        3.2.2
    

3. 编写抓取电影数据的代码

• 在谷歌浏览器中访问 爱电影动作片列表

• F12发现列表页中数据是通过一个ajax请求获取的，我们获取请求地址

  http://m.ady01.com/rs/film/listJson/1/2?_=1555726508180

• 编写抓取代码

package com.ady01.demo1;

import lombok.extern.slf4j.Slf4j;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;

/**
 * description：第一个爬虫示例，爬去动作片列表信息 

 * time：2019/4/20 10:58 

 * author：ready [email protected]
 */
@Slf4j
public class Ady01comPageProcessor implements PageProcessor {
    @Override
    public void process(Page page) {
        log.info("爬取成功!");
        log.info("爬取的内容：" + page.getRawText());
    }

    @Override
    public Site getSite() {
        return Site.me().setSleepTime(1000).setRetryTimes(3);
    }

    public static void main(String[] args) {
        String url = "http://m.ady01.com/rs/film/listJson/1/2?_=1555726508180";
        Spider.create(new Ady01comPageProcessor()).addUrl(url).thread(1).run();
    }
}

4. 运行爬虫代码

运行Ady01comPageProcessor中的main方法，执行结果如下：

5.总结

1. 本文中主要用了一个示例说明webgic是如此简单就可以完成数据的抓取工作，从代码中可以看出复杂的代码webmagic都帮我们屏蔽了，只需要我们去关注业务代码的编写。
2. 文章中没有详细介webmagic如何使用，至于我为何没有在文档中去做说明，主要是webigc已经提供了非常完善的学习文档，可以移步到webgic中文文档，需要更深入了解的可以研究一下webgic的源码，对你编写爬虫是非常有用的。
3. 明日我们将爬取每个动作电影详情页信息，采集详情页中电影的下载地址
4. 示例代码，导入到idea中运行，idea中需要安装maven和lombok的支持
5. 更多技术文章请关注公众号：javacode2018