初识webmagic之爬取CSDN博客

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。在这四个组件中我们需要做的就是在PageProcessor中写自己的业务逻辑，比如如何解析当前页面，抽取有用信息，以及发现新的链接。

下面是官方给出的架构图

WebMagic的四个组件
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。

用于数据流转的对象

1. Request
   Request是对URL地址的一层封装，一个Request对应一个URL地址。
   它是PageProcessor与Downloader交互的载体，也是PageProcessor控制Downloader唯一方式。
   除了URL本身外，它还包含一个Key-Value结构的字段extra。你可以在extra中保存一些特殊的属性，然后在其他地方读取，以完成不同的功能。例如附加上一个页面的一些信息等。
2. Page
   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。在第四章的例子中，我们会详细介绍它的使用。
3. ResultItems
   ResultItems相当于一个Map，它保存PageProcessor处理的结果，供Pipeline使用。它的API与Map很类似，值得注意的是它有一个字段skip，若设置为true，则不应被Pipeline处理。

例子：-----------------------------------

webmagic来爬取CSDN上本人博客的文章信息

下面我们通过一个简单的例子来观察webmagic的使用方法以及执行流程。需求：输入作者的用户名，得到该作者文章总数（最简单的办法是直接从首页拿到，我们是爬到一篇文章记录一次），得到所有文章信息（文章名称，发布日期，阅读量，评论数…）

首先加入webmagic依赖，

	us.codecraft
	webmagic-core
	0.7.3


	us.codecraft
	webmagic-extension
	0.7.3

然后写一个Processor就搞定了：修改不同的username可以爬取不同的作者。

public class MyPageProcessor implements PageProcessor {

	 private static String username = "Lock_Jun";// 设置csdn用户名
	    private static  int size = 0;// 共抓取到的文章数量
	 
	    // 抓取网站的相关配置，包括：编码、抓取间隔、重试次数等
	    private Site site = Site.me().setRetryTimes(3).setSleepTime(1000);
	 
	    public void process(Page page) {
	        if (!page.getUrl().regex("https://blog.csdn.net/" + username + "/article/details/\\d+").match()) {
	            //获取当前页码
	        	String number=page.getHtml().regex("currentPage\\s*=\\s*(\\d*)",1).toString();
	        	
	            //String number = page.getHtml().xpath("//li[@class='page-item active']//a[@class='page-link']/text()").toString();
	            //匹配当前页码+1的页码也就是下一页，加入爬取列表中
	        	String pageSize =page.getHtml().regex("pageSize\\s*=\\s*(\\d*)",1).toString();//每页文章数
	        	String listTotal  =page.getHtml().regex("listTotal\\s*=\\s*(\\d*)",1).toString();//用户拥有文章数
	        	double maxPage=Math.ceil(Double.parseDouble(listTotal)/Double.parseDouble(pageSize));
	        	if(maxPage>Double.parseDouble(number)) {
	        		//将下一页访问路径放入爬取队列
	        		page.addTargetRequest("http://blog.csdn.net/"+username+"/article/list/"+(Integer.parseInt(number)+1));
	        	}
	            List detailUrls = page.getHtml().xpath("//h4//a/@href").all();
	            for(String list :detailUrls){
	                System.out.println(list);
	            }
	            page.addTargetRequests(detailUrls);
	        }else {
	            size++;// 文章数量加1
	            String path = page.getUrl().get();
	            int id = Integer.parseInt(path.substring(path.lastIndexOf("/")+1));
	            String title = page.getHtml().xpath("//h1[@class='title-article']/text()").get();
	            String date = page.getHtml().xpath("//div[@class='article-bar-top']//span[@class='time']/text()").get();
	            String copyright = page.getHtml().xpath("//div[@class='article-title-box']//span[@class='article-type type-1 float-left']/text()").get();
	            int view = Integer.parseInt(page.getHtml().xpath("//div[@class='article-bar-top']//span[@class='read-count']/text()").get().substring(4));
	            CsdnBlog csdnBlog = new CsdnBlog(id, date, title, "", view, null, copyright);
	            System.out.println(csdnBlog);
	        }
	    }
	 
	    public Site getSite() {
	        return site;
	    }
	 
	    public static  void main(String[] args) {
	        // 从用户博客首页开始抓，开启5个线程，启动爬虫
	        Spider.create(new MyPageProcessor())
	                .addUrl("https://blog.csdn.net/" + username)
	                .thread(5).run();
	        System.out.println("文章总数为"+size);
	    }

	
}

自定义的实体类，用来保存爬取的数据，至于之后对数据的保存就随你自己的需求了。

public class CsdnBlog {

	 private Integer id;// 编号
	    private String title;// 标题
	    private String date;// 日期
	    private String category;// 分类
	    private Integer view;// 阅读人数
	    private Integer comments;// 评论人数
	    private String copyright;// 是否原创
	 
	    public CsdnBlog() {}
	    
	    public CsdnBlog(Integer id,String date,String title,String category,Integer view,Integer comments,String copyright){
	        this.id = id;
	    	this.date = date;
	        this.view = view;
	        this.category = category;
	        this.title = title;
	        this.comments = comments;
	        this.copyright = copyright;
	    }

	 
	    @Override
	    public String toString() {
	        return "CsdnBlog{" +
	                "id=" + id +
	                ", title='" + title + '\'' +
	                ", date='" + date + '\'' +
	                ", category='" + category + '\'' +
	                ", view=" + view +
	                ", comments=" + comments +
	                ", copyright='" + copyright + '\'' +
	                '}';
	    }
}

备注：在匹配获取页面信息那个地方（number附近），注意查看网页的document结构是否有变化，对应网页改变即可。

参考链接：https://blog.csdn.net/yixiao1874/article/details/79496825