基于webmagic的种子网站爬取

代码地址如下：
http://www.demodashi.com/demo/12175.html

1. 概述

因为无聊，闲来没事做，故突发奇想，爬个种子，顺便学习爬虫。本文将介绍使用Spring/Mybatis/webmagic等框架构建项目并爬取种子磁链。

2. 项目搭建

如下图为本项目的工程结构，主要代码实现在Spider包中。

3. 数据库设计

参考众多的种子网站，找到描述种子的常用属性，如下：

4. 程序实现

1. 爬虫配置

在抓取种子之前，首先要确定所要抓取的网站地址、编码、抓取时间间隔、重试次数等信息，如下：

    //设置网站源
    private static String netSite="PushBT";

    private Site site = Site.me().setDomain("http://www.pushbt.com")
            .setCharset("UTF-8").setSleepTime(1000)//编码
            .setRetryTimes(3);//重试次数
    private static String  BASE_URL="http://www.pushbt.com";

2. 逻辑编写

process方法是爬虫的核心接口，所有的属性抽取都在此方法中实现

@Override
    public void process(Page page) {
        //定义如何抽取页面信息，并保存下来
        List links = page.getHtml().xpath("//table[@class='items']//tr[@class='odd']/td[2]/a/@href").all();
        //将需要待爬的网页地址都存下来，以待后续从中取出
        targetUrlList=StringUtil.linkURL(BASE_URL, links);
        page.addTargetRequests(targetUrlList);
        Seeds seed = new Seeds();
        // 获取名称
        String name = page.getHtml().xpath("//ul[@id='filelist']//li/span/@title").toString();
        if (name==null||"".equals(name)||service.isExistByName(name)) {//名称为空，则跳过;已存在(true),则跳过
            page.setSkip(true);
            count++;
            LOG.info("skip the "+count+" ,title : "+name);
            return;
        }
        page.putField("name", name);
        seed.setSeedName(name);
        // 获取hash值(无hash值，默认为null)
//      String hash = page.getHtml().xpath("//p[@class='dd desc']//b[2]/text()").toString();
        page.putField("hash", null);
        seed.setSeedHash(null);
        // 描述(没有描述信息,则默认为名称)
//      String desc = page.getHtml().xpath("//div[@class='dd filelist']/p/text()").toString();
        page.putField("desc", name);
        seed.setSeedDes(name);
        // 文件个数
        String number = page.getHtml().xpath("//ul[@class='params-cover']/li[4]/div[@class='value']/text()").toString();
        page.putField("number", number);
        seed.setNumber(number);
        // 文件大小
        String size = page.getHtml().xpath("//ul[@class='params-cover']/li[5]/div[@class='value']/text()").toString();
        page.putField("size", size);
        seed.setSize(size);
        // 获取收录时间
        String includeDate = page.getHtml().xpath("//ul[@class='params-cover']/li[2]/div[@class='value']/text()").toString();
        page.putField("includeDate", includeDate);
        seed.setIncludeTime(includeDate);
        //最近下载时间
        String recentlyDown = page.getHtml().xpath("//ul[@class='params-cover']/li[3]/div[@class='value']/text()").toString();
        page.putField("recentlyDown", recentlyDown);
        seed.setRecentlyDown(recentlyDown);
        // 人气
        String popularity = page.getHtml().xpath("//ul[@class='params-cover']/li[6]/div[@class='value']/text()").toString();
        page.putField("popularity", popularity);
        seed.setPopularity(popularity);
        // 下载速度
//      String speed = page.getHtml().xpath("//p[@class='dd desc']//b[7]/text()").toString();
        page.putField("speed", SpiderUtil.getSpeed(popularity));
        seed.setSpeed(SpiderUtil.getSpeed(popularity));
        // 获取磁力链接
        String magnet = page.getHtml().xpath("//ul[@class='params-cover']/li[9]/div[@class='value']/a/@href").toString();
        page.putField("magnet", magnet);
        seed.setMagnet(magnet);
        // 标签(在详情页面没有tag，暂时以热门搜索为tag)
        List tags = page.getHtml().xpath("//div[@class='block oh']/a/span/text()").all();
        page.putField("tags", tags);
        seed.setTag(tags.toString());
        seed.setCreateTime(new Date());
        seed.setUpdateTime(new Date());
        seed.setSource(netSite);
        seed.setCategory("movies");
        //保存到数据库
        service.insert(seed);
    }

3. 其它部分编写

例子用到的其他部分代码，如MVC，数据库操作等，不是本章节的重点，所以不一一介绍了

5. 成果展示

基于webmagic的种子网站爬取

代码地址如下：
http://www.demodashi.com/demo/12175.html

注：本文著作权归作者，由demo大师发表，拒绝转载，转载需要作者授权