java简单的爬虫Demo——webMagic

        我们当下生活在信息化时代，信息数据成为一种重要资源，而比较火热的大数据就是基于数据进行算法分析。而爬虫就是一种获取数据的一种方法，我本人最近刚好有空闲时间玩爬虫，借此文章为初学者引导以及自我记忆。我选取的小巧灵活的webMagic框架进行实践。

        

        写在前面

1.注意每次访问页面后最好线程sleep一点时间（不要因为我们的随便练手影响到你爬取数据网站的运转，大家都是程序员，别逼人家提高反爬难度，下一章会对一些常见反爬手段进行破解）

2.jdk环境

3.maven   引入依赖

         
            us.codecraft
            webmagic-core
            0.7.3
       
       
            us.codecraft
            webmagic-extension
            0.7.3

       

demo：爬取csdn博客信息

目标网站：https://blog.csdn.net/caihaijiang/article/list/1?

其实整个过程就是在访问及下载页面以及解析页面标签，底层实现使用了HttpClient进行网络访问

代码：

package demo;

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

import java.util.List;

public class CsdnBlogSplider implements PageProcessor {

    private Site site = Site
            .me()
            .setDomain("https://blog.csdn.net")
            .setSleepTime(3000)
            .setUserAgent(
                    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36");

    public void process(Page page){

        //具体博客页面解析
        if(page.getUrl().get().startsWith("https://blog.csdn.net/caihaijiang/article/details")){

            //这里进行标签解析，根据你需要的字段的位置进行标签定位
            String subject = page.getHtml().xpath("//h6[@class='title-article']").get().replace("
","").replace("
","");
            String time = page.getHtml().xpath("//div[@class='article-bar-top d-flex']/span").replace("","").replace("","").toString();
            String readNum = page.getHtml().xpath("//div[@class='article-bar-top d-flex']/div[1]/span").replace("","").replace("","").toString();

            System.out.println(subject);
            System.out.println(time);
            System.out.println(readNum);

            try{
                Thread.sleep(1000);
            }catch (InterruptedException in){
                System.out.println("线程出错···");
            }
        }else {
            //列表页面解析,当前页所有博客url添加进解析列表
            page.addTargetRequests(page.getHtml().xpath("//div[@class='article-item-box csdn-tracking-statistics']/h4/a").links().all());
        }
    }

    public Site getSite() {
        return site;
    }

    public static void main(String[] args) {

        Spider spider = Spider.create(new CsdnBlogSplider());
        //共7页，添加7次列表页url
        for (int i = 1; i < 8; i++) {
            spider.addUrl("https://blog.csdn.net/caihaijiang/article/list/"+i+"?");
        }
        spider.run();
    }
}

结果：