Java网络爬虫之Webmagic快速入门
Webmagic简介
WebMagic是一个简单灵活的Java爬虫框架。基于WebMagic，你可以快速开发出一个高效、易维护的爬虫。
以上是webmagic的官方简介，webmagic是一个用于开发网络爬虫的Java框架，底层是httpclient和jsoup，相比httpclient和jsoup开发，webmagic具有以下优点：
- 简单的API，可快速上手
- 模块化的结构，可轻松扩展
- 提供多线程和分布式支持
Webmagic官网：http://webmagic.io/
Webmagic官方文档：http://webmagic.io/docs/zh/
Webmagic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。WebMagic的设计参考了Scapy，但是实现方式更Java化一些。
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。
WebMagic总体架构图如下：
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HashSet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。
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。
控制爬虫运转的引擎--Spider
Spider是WebMagic内部流程的核心。Downloader、PageProcessor、Scheduler、Pipeline都是Spider的一个属性，这些属性是可以自由设置的，通过设置这个属性可以实现不同的功能。Spider也是WebMagic操作的入口，它封装了爬虫的创建、启动、停止、多线程等功能。
爬虫配置Site
Site可以对爬虫进行一些配置配置，包括编码、抓取间隔、超时时间、重试次数等。
一般来说，对于编写一个爬虫，PageProcessor是需要编写的部分，而Spider则是创建和控制爬虫的入口。
快速入门Demo
1. 创建maven工程，添加如下依赖
us.codecraft
webmagic-core
0.7.3
us.codecraft
webmagic-extension
0.7.3
2. 编写代码，测试webmagic
编写一个页面解析器PageProcessor，实现Processor接口
package cn.lzx.magic;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.processor.PageProcessor;
public class MyPageProcessor implements PageProcessor {
//爬虫配置信息设置
private Site site = new Site()
.setCharset("utf-8") //设置编码
.setSleepTime(1) //设置抓取间隔
.setTimeOut(10) //设置超时时间
.setRetrySleepTime(3) //设置重试时间
.setRetryTimes(3); //设置重试次数
@Override
public void process(Page page) {
//对抓取到的页面进行处理
page.putField("title",page.getHtml().css(".c44380").all());
}
@Override
public Site getSite() {
return this.site;
}
}
开启爬虫
package cn.lzx.magic;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.pipeline.ConsolePipeline;
import us.codecraft.webmagic.pipeline.FilePipeline;
import us.codecraft.webmagic.pipeline.JsonFilePipeline;
public class WebMagicDemo {
public static void main(String[] args) {
//创建爬虫
Spider.create(new MyPageProcessor()) //将创建好的PageProcessor页面处理器交给Spider
.addUrl("http://www.xiyou.edu.cn/xwzx/zhxw.htm") //输入url
//.addPipeline(new FilePipeline()) //设置结果 保存到文件
//.addPipeline(new ConsolePipeline()) //设置结果 控制台输出
//.addPipeline(new JsonFilePipeline()) //设置结果 以Json格式输出
//当没有设置结果输出时 默认控制台输出
.thread(5) //设置5个线程同时执行
.run(); //启动爬虫
}
}
至此，一个简单的爬虫入门程序已经完成，下面我们来看一下webmagic各组件的详细API
各组件详解
PageProcessor获取元素方式：
WebMagic里主要使用了三种抽取技术：XPath、正则表达式和CSS选择器。另外，对于JSON格式的内容，可使用JsonPath进行解析。
1. XPath
以下是获取属性class=mt的div标签，里面的h1标签的内容
page.getHtml().xpath("//div[@class=mt]/h1/text()")
2. CSS选择器
CSS选择器是与XPath类似的语言。它比XPath写起来要简单一些，但是如果写复杂一点的抽取规则，就相对要麻烦一点。
div.mt>h1表示class为mt的div标签下的直接子元素h1标签
page.getHtml().css("div.mt>h1").toString()
可是使用:nth-child(n)选择第几个元素，如下选择第一个元素
page.getHtml().css("div#news_div > ul > li:nth-child(1) a").toString()注意：需要使用>，就是直接子元素才可以选择第几个元素
3. 正则表达式
正则表达式则是一种通用的文本抽取语言。在这里一般用于获取url地址。
抽取元素API
Selectable相关的抽取元素链式API是WebMagic的一个核心功能。使用Selectable接口，可以直接完成页面元素的链式抽取，也无需去关心抽取的细节。
在刚才的例子中可以看到，page.getHtml()返回的是一个Html对象，它实现了Selectable接口。这个接口包含的方法分为两类：抽取部分和获取结果部分。
获取结果API
当链式调用结束时，我们一般都想要拿到一个字符串类型的结果。这时候就需要用到获取结果的API了。
我们知道，一条抽取规则，无论是XPath、CSS选择器或者正则表达式，总有可能抽取到多条元素。WebMagic对这些进行了统一，可以通过不同的API获取到一个或者多个元素。
Pipeline结果保存
WebMagic用于保存结果的组件叫做Pipeline。可以通过在splider里进行设置来选择不同的结果输出，webmagic提供了控制台输出和文件输出，如果不设置，默认采用控制台输出，如果需要结果保存到数据库，需要自己写一个类去实现Pipeline接口。
Site配置信息
网页去重
在解析页面的时候，很可能会解析出相同的url地址，如果不进行处理，同样的url会解析处理多次，浪费资源。
所以我们需要有一个url去重的功能
WebMagic提供了Scheduler可以帮助我们解决以上问题。
Scheduler是WebMagic中进行URL管理的组件。一般来说，Scheduler包括两个作用：
- 对待抓取的URL队列进行管理。
- 对已抓取的URL进行去重。
WebMagic内置了几个常用的Scheduler。如果你只是在本地执行规模比较小的爬虫，那么基本无需定制Scheduler。
去重部分被单独抽象成了一个接口：DuplicateRemover，从而可以为同一个Scheduler选择不同的去重方式，以适应不同的需要，目前提供了两种去重方式。
RedisScheduler是使用Redis的set进行去重，其他的Scheduler默认都使用HashSetDuplicateRemover来进行去重。
三种URL去重方式对比：
- HashSet
使用java中的HashSet不能重复的特点去重。优点是容易理解。使用方便。
缺点：占用内存大，性能较低。
- Redis去重
使用Redis的set进行去重。优点是速度快（Redis本身速度就很快），而且去重不会占用爬虫服务器的资源，可以处理更大数据量的数据爬取。
缺点：需要准备Redis服务器，增加开发和使用成本。
- 布隆过滤器（BloomFilter）
使用布隆过滤器也可以实现去重。优点是占用的内存要比使用HashSet要小的多，也适合大量数据的去重操作。
缺点：有误判的可能。没有重复可能会判定重复，但是重复数据一定会判定重复。