十次方人工智能笔记一：网络爬虫
爬虫框架WebMagic
架构解析
WebMagic的设计目标是尽量的模块化，并体现爬虫的功能特点。这部分提供非常简单、灵活的API，在基本不改变开发模式的情况下，编写一个爬虫。
WebMagic的结构分为Downloader、PageProcessor、Scheduler、Pipeline四大组件，并由Spider将它们彼此组织起来。这四大组件对应爬虫生命周期中的下载、处理、管理和持久化等功能。而Spider则将这几个组件组织起来，让它们可以互相交互，流程化的执行，可以认为Spider是一个大的容器，它也是WebMagic逻辑的核心。
WenMagic组件：
-
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ApacheHttpClient作为下载工具。
-
PageProcesser
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。
-
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。 -
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。
API
Spider API
| 方法 | 说明 | 示例 |
|---|---|---|
| create(PageProcessor) | 创建Spider | Spider.create(new GithubRepoProcessor()) |
| addUrl(String…) | 添加初始的URL | Spider.addUrl(“http://webmagic.io/docs/”) |
| thread(n) | 开启n个线程 | Spider.thread(5) |
| run() | 启动，会阻塞当前线程执行 | Spider.run() |
| start()/runAsync() | 异步启动，当前线程继续执行 | Spider.start() |
| stop() | 停止爬虫 | Spider.stop() |
| addPipeline(Pipeline) | 添加一个Pipeline，一个Spider可以有多个Pipeline | Spider .addPipeline(new ConsolePipeline()) |
| setScheduler(Scheduler) | 设置Scheduler，一个Spider只能有一个Scheduler | Spider.setScheduler(new RedisScheduler()) |
| setDownloader(Downloader) | 设置Downloader，一个Spider只能有一个Downloader | Spider.setDownloader(new SeleniumDownloader()) |
| get(String) | 同步调用，并直接取得结果 | ResultItems result = Spider.get(“http://webmagic.io/docs/”) |
| getAll(String…) | 同步调用，并直接取得一堆结果 | List results = Spider.getAll(“http://webmagic.io/docs/”,“http://webmagic.io/xxx”) |
同时Spider的其他组件（Downloader、Scheduler、Pipeline）都可以通过set方法来进行设置。
Site API
| 方法 | 说明 | 示例 |
|---|---|---|
| setCharset(String) | 设置编码 | site.setCharset(“utf-8”) |
| setUserAgent(String) | 设置UserAgent | site.setUserAgent(“Spider”) |
| setTimeOut(int) | 设置超时时间， 单位是毫秒 | site.setTimeOut(3000) |
| setRetryTimes(int) | 设置重试次数 | site.setRetryTimes(3) |
| setCycleRetryTimes(int) | 设置循环重试次数 | site.setCycleRetryTimes(3) |
| addCookie(String,String) | 添加一条cookie | site.addCookie(“dotcomt_user”,“code4craft”) |
| setDomain(String) | 设置域名，需设置域名后，addCookie才可生效 | site.setDomain(“github.com”) |
| addHeader(String,String) | 添加一条addHeader | site.addHeader(“Referer”,“https://github.com”) |
| setHttpProxy(HttpHost) | 设置Http代理 | site.setHttpProxy(new HttpHost(“127.0.0.1”,8080)) |
| setSleepTime | 间隔时间设置 | site.setSleepTime(100) |
PageProcessor
爬取页面全部内容
需求：编写爬虫程序，爬取csdn中博客的内容 https://blog.csdn.net/
-
创建工程，引入依赖
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0modelVersion> <groupId>com.xushuaigroupId> <artifactId>webmagic_demoartifactId> <version>1.0-SNAPSHOTversion> <dependencies> <dependency> <groupId>us.codecraftgroupId> <artifactId>webmagic-coreartifactId> <version>0.7.3version> dependency> <dependency> <groupId>us.codecraftgroupId> <artifactId>webmagic-extensionartifactId> <version>0.7.3version> dependency> dependencies> project> -
实现页面爬取
package com.xushuai.magic.spider; import us.codecraft.webmagic.Page; import us.codecraft.webmagic.Site; import us.codecraft.webmagic.Spider; import us.codecraft.webmagic.pipeline.ConsolePipeline; import us.codecraft.webmagic.processor.PageProcessor; /** * Spider Class Demo */ public class PageProcessorDemo1 implements PageProcessor { public void process(Page page) { System.out.println(page.getHtml().toString()); } public Site getSite() { return Site.me().setSleepTime(100).setRetryTimes(3); } public static void main(String[] args) { Spider.create(new PageProcessorDemo1()) // 添加爬取的主网站 .addUrl("https://www.csdn.net/") .run(); } }Page代表了从
Downloader下载到的一个页面——可能是HTML，也可能是JSON或者 其他文本格式的内容。Page是WebMagic抽取过程的核心对象，它提供一些方法可供抽取、结果保存等。Site用于定义站点本身的一些配置信息，例如编码、HTTP头、超时时间、重试策略等、代理等，都可以通过设置Site对象来进行配置。
爬取指定内容
使用xpath来抓去网页指定部分内容
page.getHtml().xpath("//*[@id=\"nav\"]/div/div/ul/li[5]/a");
添加目标地址
添加目标地址，将目标地址中所有的链接添加到待爬取列表
page.addTargetRequests(page.getHtml().links().all());
目标地址正则匹配
需求：只提取博客的文章详细页内容，并提取标题
page.addTargetRequests(page.getHtml()
.links().regex("https://blog.csdn.net/[a-z 0-9-]+/article/details/[0-9]{8}").all());
Pipeline
ConsolePipeline 控制台输出（省略）
FilePipeline 文件输出
public static void main(String[] args) {
Spider.create(new PageProcessorDemo1())
// 添加爬取的主网站
.addUrl("https://www.csdn.net/")
// 添加控制台输出管道
.addPipeline(new ConsolePipeline())
// 添加文件输出管道
.addPipeline(new FilePipeline("F:/data"))
.run();
}
JsonFilePipeline Json输出
public static void main(String[] args) {
Spider.create(new PageProcessorDemo1())
// 添加爬取的主网站
.addUrl("https://www.csdn.net/")
// 添加控制台输出管道
.addPipeline(new ConsolePipeline())
// 添加文件输出管道
.addPipeline(new FilePipeline("F:/data"))
// 添加Json输出管道
.addPipeline(new JsonFilePipeline("F:/json"))
.run();
}
Custom Pipeline 自定义输出
-
编写自定义管道类
package com.xushuai.magic.pipeline; import us.codecraft.webmagic.ResultItems; import us.codecraft.webmagic.Task; import us.codecraft.webmagic.pipeline.Pipeline; /** * 自定义输出管道 */ public class CustomPipeline implements Pipeline { public void process(ResultItems resultItems, Task task) { System.out.println(resultItems.get("title")); } } -
添加自定义管道
public static void main(String[] args) { Spider.create(new PageProcessorDemo1()) // 添加爬取的主网站 .addUrl("https://www.csdn.net/") // 添加控制台输出管道 .addPipeline(new ConsolePipeline()) // 添加文件输出管道 .addPipeline(new FilePipeline("F:/data")) // 添加Json输出管道 .addPipeline(new JsonFilePipeline("F:/json")) // 添加自定义管道 .addPipeline(new CustomPipeline()) .run(); }
Scheduler
Scheduler(URL管理) 最基本的功能是实现对已经爬取的URL进行标示。可以实现URL的增量去重。
目前Scheduler主要有三种实现方式：
- 内存队列：QueueScheduler
- 文件队列：FileCacheQueueScheduler
- Redis队列：RedisScheduler
内存队列
public static void main(String[] args) {
Spider.create(new PageProcessorDemo1())
// 添加爬取的主网站
.addUrl("https://www.csdn.net/")
// 添加内存队列
.setScheduler(new QueueScheduler())
.run();
}
文件队列
使用文件保存抓取URL，可以在关闭程序并下次启动时，从之前抓取到的URL继续抓取。
public static void main(String[] args) {
Spider.create(new PageProcessorDemo1())
// 添加爬取的主网站
.addUrl("https://www.csdn.net/")
// 添加文件队列
.setScheduler(new FileCacheQueueScheduler("F:/scheduler"))
.run();
}
Redis队列
使用Redis保存抓取队列，可进行多台机器同时合作抓取。
public static void main(String[] args) {
Spider.create(new PageProcessorDemo1())
// 添加爬取的主网站
.addUrl("https://www.csdn.net/")
// 添加Redis队列
.setScheduler(new RedisScheduler("192.168.136.104"))
.run();
}
十次方文章数据爬取
需求：每日某时间段从CSDN播客中爬取文档，存入文章数据库中。
准备工作
-
CSDN中各个频道的地址
频道名称 地址 资讯 https://blog.csdn.net/nav/news 人工智能 https://blog.csdn.net/nav/ai 区块链 https://blog.csdn.net/nav/blockchain 数据库 https://blog.csdn.net/nav/db 前端 https://blog.csdn.net/nav/web 编程语言 https://blog.csdn.net/nav/lang -
向数据库
tensquare_article中的tb_channel表中添加记录
文章爬取微服务
创建Module
-
pom.xml
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <parent> <artifactId>tensquare_parentartifactId> <groupId>com.tensquaregroupId> <version>1.0.0-SNAPSHOTversion> parent> <modelVersion>4.0.0modelVersion> <artifactId>tensquare_article_crawlerartifactId> <dependencies> <dependency> <groupId>us.codecraftgroupId> <artifactId>webmagic-coreartifactId> <version>0.7.3version> <exclusions> <exclusion> <groupId>org.slf4jgroupId> <artifactId>slf4j-log4j12artifactId> exclusion> exclusions> dependency> <dependency> <groupId>us.codecraftgroupId> <artifactId>webmagic-extensionartifactId> <version>0.7.3version> dependency> <dependency> <groupId>org.springframework.bootgroupId> <artifactId>spring-boot-starter-data-jpaartifactId> dependency> <dependency> <groupId>mysqlgroupId> <artifactId>mysql-connector-javaartifactId> dependency> <dependency> <groupId>com.tensquaregroupId> <artifactId>tensquare_commonartifactId> <version>${tensquare.version}version> dependency> dependencies> project> -
application.yml
server: port: 9014 spring: application: name: tensquare-crawler datasource: driver-class-name: com.mysql.jdbc.Driver url: jdbc:mysql://192.168.136.104:3306/tensquare_article?characterEncoding=UTF8 username: root password: 123456 jpa: database: mysql show-sql: true redis: host: 192.168.136.104 -
启动类
package com.tensquare.crawler; import org.springframework.beans.factory.annotation.Value; import org.springframework.boot.SpringApplication; import org.springframework.boot.autoconfigure.SpringBootApplication; import org.springframework.context.annotation.Bean; import org.springframework.scheduling.annotation.EnableScheduling; import us.codecraft.webmagic.scheduler.RedisScheduler; import util.IdWorker; @EnableScheduling @SpringBootApplication public class CrawlerApplication { @Value("${spring.redis.host}") private String REDIS_HOST; public static void main(String[] args) { SpringApplication.run(CrawlerApplication.class, args); } @Bean public IdWorker idWorker() { return new IdWorker(1, 11); } @Bean public RedisScheduler redisScheduler() { return new RedisScheduler(REDIS_HOST); } } -
复制文章实体类以及数据访问接口（省略）
爬取类（PageProcessor）
package com.tensquare.crawler.processor;
import org.apache.commons.lang3.StringUtils;
import org.springframework.stereotype.Component;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.processor.PageProcessor;
/**
* 文章爬取类
*/
@Component
public class ArticleProcessor implements PageProcessor {
@Override
public void process(Page page) {
// 添加爬取的页面
page.addTargetRequests(page.getHtml()
.links().regex("https://blog.csdn.net/[a-z 0-9-]+/article/details/[0-9]{8}").all());
// 获取标题以及内容
String title = page.getHtml().xpath("//*[@id=\"mainBox\"]/main/div[1]/div/div/div[1]/h1/text()").get();
String content = page.getHtml().xpath("//*[@id=\"article_content\"]").get();
if (StringUtils.isNotBlank(title) && StringUtils.isNotBlank(content)) {
page.putField("title", title);
page.putField("content", content);
} else {
page.setSkip(true);
}
}
@Override
public Site getSite() {
return Site.me().setRetryTimes(100).setSleepTime(100);
}
}
入库类（Pipeline）
package com.tensquare.crawler.pipeline;
import com.tensquare.crawler.dao.ArticleDao;
import com.tensquare.crawler.pojo.Article;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Component;
import us.codecraft.webmagic.ResultItems;
import us.codecraft.webmagic.Task;
import us.codecraft.webmagic.pipeline.Pipeline;
import util.IdWorker;
@Component
public class ArticlePipeline implements Pipeline {
@Autowired
private ArticleDao articleDao;
@Autowired
private IdWorker idWorker;
private String channelId;
public void setChannelId(String channelId) {
this.channelId = channelId;
}
@Override
public void process(ResultItems resultItems, Task task) {
// 取出爬取类中的title和content
String title = resultItems.get("title");
String content = resultItems.get("content");
// 构造文章对象
Article article = new Article();
article.setChannelid(channelId);
article.setId(idWorker.nextId().toString());
article.setTitle(title);
article.setContent(content);
// 保存
articleDao.save(article);
}
}
任务（Task）
package com.tensquare.crawler.task;
import com.tensquare.crawler.pipeline.ArticlePipeline;
import com.tensquare.crawler.processor.ArticleProcessor;
import lombok.extern.slf4j.Slf4j;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.scheduling.annotation.Scheduled;
import org.springframework.stereotype.Component;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.scheduler.RedisScheduler;
@Slf4j
@Component
public class ArticleCrawlerTask {
@Autowired
private ArticlePipeline articlePipeline;
@Autowired
private RedisScheduler redisScheduler;
@Autowired
private ArticleProcessor articleProcessor;
@Scheduled(cron = "0 0 0 * * *")
public void aiTask() {
log.info("开始爬取AI文章");
articlePipeline.setChannelId("ai");
Spider spider = Spider.create(articleProcessor);
spider.addUrl("https://blog.csdn.net/nav/ai/")
.addPipeline(articlePipeline)
.setScheduler(redisScheduler)
.start();
}
@Scheduled(cron = "0 0 1 * * *")
public void blockChainTask() {
log.info("开始爬取区块链文章");
articlePipeline.setChannelId("blockchain");
Spider spider = Spider.create(articleProcessor);
spider.addUrl("https://blog.csdn.net/nav/blockchain/")
.addPipeline(articlePipeline)
.setScheduler(redisScheduler)
.run();
}
@Scheduled(cron = "0 0 2 * * *")
public void dbTask() {
log.info("开始爬取区数据库文章");
articlePipeline.setChannelId("db");
Spider spider = Spider.create(articleProcessor);
spider.addUrl("https://blog.csdn.net/nav/db/")
.addPipeline(articlePipeline)
.setScheduler(redisScheduler)
.run();
}
@Scheduled(cron = "0 0 3 * * *")
public void langTask() {
log.info("开始爬取编程语言文章");
articlePipeline.setChannelId("lang");
Spider spider = Spider.create(articleProcessor);
spider.addUrl("https://blog.csdn.net/nav/lang/")
.addPipeline(articlePipeline)
.setScheduler(redisScheduler)
.run();
}
@Scheduled(cron = "0 0 4 * * *")
public void newsTask() {
log.info("开始爬取资讯文章");
articlePipeline.setChannelId("news");
Spider spider = Spider.create(articleProcessor);
spider.addUrl("https://blog.csdn.net/nav/news/")
.addPipeline(articlePipeline)
.setScheduler(redisScheduler)
.run();
}
@Scheduled(cron = "0 0 5 * * *")
public void webTask() {
log.info("开始爬取前端文章");
articlePipeline.setChannelId("web");
Spider spider = Spider.create(articleProcessor);
spider.addUrl("https://blog.csdn.net/nav/web/")
.addPipeline(articlePipeline)
.setScheduler(redisScheduler)
.run();
}
}
注意：addUrl(url)中添加的路径一定要以/结尾。
十次方用户数据爬取
从csdn中爬取用户昵称和头像，存到用户表，头像图片存储到本地。
用户爬取微服务
创建Module
-
pom.xml（省略，与文章数据爬取微服务一致）
-
application.yml
server: port: 9015 spring: application: name: tensquare-user-crawler datasource: driver-class-name: com.mysql.jdbc.Driver url: jdbc:mysql://192.168.136.104:3306/tensquare_user?characterEncoding=UTF8 username: root password: 123456 jpa: database: mysql show-sql: true redis: host: 192.168.136.104 -
启动类
package com.tensquare.crawler; import org.springframework.beans.factory.annotation.Value; import org.springframework.boot.SpringApplication; import org.springframework.boot.autoconfigure.SpringBootApplication; import org.springframework.context.annotation.Bean; import org.springframework.scheduling.annotation.EnableScheduling; import us.codecraft.webmagic.scheduler.RedisScheduler; import util.IdWorker; @EnableScheduling @SpringBootApplication public class UserCrawlerApplication { @Value("${spring.redis.host}") private String REDIS_HOST; public static void main(String[] args) { SpringApplication.run(UserCrawlerApplication.class, args); } @Bean public IdWorker idWorker() { return new IdWorker(1, 11); } @Bean public RedisScheduler redisScheduler() { return new RedisScheduler(REDIS_HOST); } } -
复制用户实体类以及数据访问接口（省略）
下载工具类
在tensquare_common中添加下载工具类
package util;
import java.io.*;
import java.net.URL;
import java.net.URLConnection;
/**
* 下载工具类
*/
public class DownloadUtil {
/**
* 下载
*
* @param urlStr
* @param filename
* @param savePath
* @throws IOException
*/
public static void download(String urlStr, String filename, String
savePath) throws IOException {
URL url = new URL(urlStr);
//打开url连接
URLConnection connection = url.openConnection();
//请求超时时间
connection.setConnectTimeout(5000);
//输入流
InputStream in = connection.getInputStream();
//缓冲数据
byte[] bytes = new byte[1024];
//数据长度
int len;
//文件
File file = new File(savePath);
if (!file.exists())
file.mkdirs();
OutputStream out = new
FileOutputStream(file.getPath() + "\\" + filename);
//先读到bytes中
while ((len = in.read(bytes)) != -1){
//再从bytes中写入文件
out.write(bytes, 0, len);
}
//关闭IO
out.close();
in.close();
}
}
爬取类（PageProcessor）
package com.tensquare.crawler.processor;
import org.apache.commons.lang3.StringUtils;
import org.springframework.stereotype.Component;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.processor.PageProcessor;
@Component
public class UserProcessor implements PageProcessor {
@Override
public void process(Page page) {
// 添加爬取的页面
page.addTargetRequests(page.getHtml().links().regex("https://blog.csdn.net/[a-z 0-9-]+/article/details/[0-9]{8}").all());
// 昵称和头像
String nickname = page.getHtml().xpath("//*[@id=\"uid\"]/text()").get();
String image = page.getHtml().xpath("//*[@id=\"asideProfile\"]/div[1]/div[1]/a/img[1]").get();
// 保存
if (StringUtils.isNotBlank(nickname) && StringUtils.isNotBlank(image)) {
page.putField("nickname", nickname);
page.putField("image", image);
} else {
page.setSkip(true);
}
}
@Override
public Site getSite() {
return Site.me().setRetryTimes(3000).setSleepTime(100);
}
}
入库类（Pipeline）
package com.tensquare.crawler.pipeline;
import com.tensquare.crawler.dao.UserDao;
import com.tensquare.crawler.pojo.User;
import lombok.extern.slf4j.Slf4j;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Component;
import us.codecraft.webmagic.ResultItems;
import us.codecraft.webmagic.Task;
import us.codecraft.webmagic.pipeline.Pipeline;
import util.DownloadUtil;
import util.IdWorker;
import java.io.IOException;
@Slf4j
@Component
public class UserPipeline implements Pipeline {
@Autowired
private UserDao userDao;
@Autowired
private IdWorker idWorker;
@Override
public void process(ResultItems resultItems, Task task) {
// 取出nickname和image
String nickname = resultItems.get("nickname").toString();
String image = resultItems.get("image").toString();
User user = new User();
user.setId(idWorker.nextId().toString());
user.setNickname(nickname);
String fileName = image.substring(image.lastIndexOf("/") + 1, image.lastIndexOf(" ") - 1);
user.setAvatar(fileName);
userDao.save(user);
// 下载图片
try {
String url = image.substring(image.indexOf("https://"), image.lastIndexOf(" ") - 1);
DownloadUtil.download(url, fileName, "E:/userImage");
} catch (IOException e) {
log.error("下载文件发生异常！e = ", e);
}
}
}
任务类（Task）
package com.tensquare.crawler.task;
import com.tensquare.crawler.pipeline.UserPipeline;
import com.tensquare.crawler.processor.UserProcessor;
import lombok.extern.slf4j.Slf4j;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.scheduling.annotation.Scheduled;
import org.springframework.stereotype.Component;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.scheduler.RedisScheduler;
/**
* 用户数据爬取类
*/
@Slf4j
@Component
public class UserCrawlerTask {
@Autowired
private UserProcessor userProcessor;
@Autowired
private UserPipeline userPipeline;
@Autowired
private RedisScheduler redisScheduler;
@Scheduled(cron = "0 0 6 * * *")
public void userTask () {
log.info("开始爬取用户数据");
Spider spider = Spider.create(userProcessor);
spider.addUrl("https://blog.csdn.net/")
.addPipeline(userPipeline)
.setScheduler(redisScheduler)
.start();
}
}
注意：addUrl方法以/结尾
爬取效果
文章数据
用户数据
用户数据
用户头像
