WebMagic JAVA爬虫框架

官方文档

WebMagic总体架构

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。

1. 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Apache HttpClient作为下载工具。

2. PageProcessor

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。

3. 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。

除非项目有一些特殊的分布式需求，否则无需自己定制Scheduler。

4. 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。

Pipeline定义了结果保存的方式，如果你要保存到指定数据库，则需要编写对应的Pipeline。对于一类需求一般只需编写一个Pipeline。

爬取人民网新闻

• 目标抓取http://bj.people.com.cn/所有分类的新闻

新闻类别

• 每个分类的列表链接如 http://bj.people.com.cn/GB/233088/index1.html

list

• 233088 新闻类别码

• index1 数字为页码

• 每个内容界面的链接如
  http://bj.people.com.cn/n2/2016/1213/c82840-29459169.html

• 2016/1213/c82840-29459169 年/日期/每个新闻的识别码

实现

使用STS构建环境

• 创建Spring Starter Project

• 加入JPA,MySQL,Web依赖

• 导入WebMagic依赖
  注意 :

  1. WebMagic 的核心包的log4j会与jpa的log4j冲突,需要排除WebMagic的jar
  2. 排除后会报org.apache.commons.lang.StringUtils找不到,需要导入commons-lang依赖

  
      us.codecraft
      webmagic-core
      0.5.3
      
          
              org.slf4j
              slf4j-log4j12
          
      
  
  
  
      us.codecraft
      webmagic-extension
      0.5.3
  
  
  
      commons-lang
      commons-lang
      2.6
  
  

代码

• PageProcessor 抽取内容

@Service
public class NewsProcessor implements PageProcessor {
    // 入口url
    public static final String URL_ENTER = "http://bj.people.com.cn/";
    // 类别导航
    private String URL_INDEX = "http://bj\\.people\\.com\\.cn/GB/\\d+/index\\.html";
    // 列表
    private String URL_LIST = "http://bj\\.people\\.com\\.cn/GB/\\d+/index\\d*\\.html";
    // 文章
    private String URL_POST = "http://bj\\.people\\.com\\.cn/n2/2016/\\d+/.+\\.html";
    // 设置
    private Site site = Site.me().setRetryTimes(10).setSleepTime(1000).setCycleRetryTimes(3);

    @Override
    public void process(Page page) {
        if (page.getUrl().get().equals(URL_ENTER)) {
            // 类别
            page.addTargetRequests(page.getHtml().xpath("//div[@class='pd_nav w1000 white  clear clearfix']").links().regex(URL_INDEX).all());
            System.out.println("enter"+page.getUrl().get());
        } else {
            System.out.println("enter"+page.getUrl().get());
            // 列表页
            if (page.getUrl().regex(URL_LIST).match()) {
                page.addTargetRequests(page.getHtml().xpath("//div[@class='ej_list_box clear']").links().regex(URL_POST).all());
                page.addTargetRequests(page.getHtml().links().regex(URL_LIST).all());
            } else {
                // 匹配当前域名
                String currentDomain = page.getUrl().regex("http.+\\.com\\.cn").toString();
                String title = page.getHtml().xpath("//div[@class='clearfix w1000_320 text_title']/h1/text()").toString();
                String contentTime = page.getHtml().xpath("//div[@class='box01']/div[@class='fl']/text()").regex("\\d{4}年\\d{2}月\\d{2}日\\s*\\d{2}:\\d{2}").toString();
                String content = page.getHtml().xpath("//div[@class='box_con']").toString();
                List imgList = page.getHtml().xpath("//div[@class='box_con']//img/@src").all();
                List result = new ArrayList<>();
                for (String img : imgList) {
                    // 匹配是否是绝对路劲
                    Pattern r = Pattern.compile("^http");
                    Matcher m = r.matcher(img);
                    if (!m.find()) {
                        // 不是绝对路径 拼接当前域名
                        result.add(currentDomain + img);
                    } else {
                        result.add(img);
                    }
                }
                News news = new News();
                news.setSourceUrl(page.getUrl().regex(URL_POST).toString());
                news.setContent(content);
                news.setContentTime(contentTime);
                news.setTitle(title);
                news.setImage(new Gson().toJson(result));
                if (news.getTitle() == null) {
                    page.setSkip(true);
                } else {
                    page.putField("news", news);
                }
            }
        }
    }

    @Override
    public Site getSite() {
        return site;
    }
}

• Pipeline 持久化数据

@Service
public class NewsPipeline implements Pipeline {
    @Autowired
    private NewsService newsService;

    @Override
    public void process(ResultItems resultItems, Task task) {
        News news = (News) resultItems.get("news");
        if (!newsService.isExist(news)) {
            newsService.create(news);
        }
    }
}

• 启动爬虫

@RequestMapping("/start")
private String start() {
    Spider.create(newsProcessor)// 创建抽取内容类
            .addUrl(NewsProcessor.URL_ENTER)// 添加入口url
            .addPipeline(newsPipeline)// 添加持久化类
            .thread(5)// 开启5个线程
            .run();// 启动
    return "success";
}

结果

• 保存的数据

  
  
  

  新闻数据