WebMagic(一)--抓取一个简单的页面

简单介绍


最近在做项目要用到爬虫抓取网页的数据,然后保存到数据库中,最后选择了WebMagic,WebMagic是国人开发的一款爬虫,WebMagic官方对他的介绍是:


webmagic的主要特色:


●完全模块化的设计,强大的可扩展性。
核心简单但是涵盖爬虫的全部流程,灵活而强大,也是学习爬虫入门的好材料。
提供丰富的抽取页面API。
无配置,但是可通过POJO+注解形式实现一个爬虫。
支持多线程。
支持分布式。
支持爬取js动态渲染的页面。
无框架依赖,可以灵活的嵌入到项目中去


webmagic主要包括两个包:


webmagic-core

webmagic核心部分,只包含爬虫基本模块和基本抽取器。webmagic-core的目标是成为网页爬虫的一个教科书般的实现。


webmagic-extension

webmagic的扩展模块,提供一些更方便的编写爬虫的工具。包括注解格式定义爬虫、JSON、分布式等支持。


扩展包:


webmagic还包含两个可用的扩展包,因为这两个包都依赖了比较重量级的工具,所以从主要包中抽离出来,这些包需要下载源码后自己编译:


●webmagic-saxon


webmagic与Saxon结合的模块。Saxon是一个XPath、XSLT的解析工具,webmagic依赖Saxon来进行XPath2.0语法解析支持。


●webmagic-selenium

webmagic与Selenium结合的模块。Selenium是一个模拟浏览器进行页面渲染的工具,webmagic依赖Selenium进行动态页面的抓取。


在项目中,你可以根据需要依赖不同的包。


创建一个爬虫:


我使用的是IDEA工具,新建一个Maven module


WebMagic(一)--抓取一个简单的页面_第1张图片


点击下一步


WebMagic(一)--抓取一个简单的页面_第2张图片


点击下一步,下一步..


WebMagic(一)--抓取一个简单的页面_第3张图片


创建成功后


WebMagic(一)--抓取一个简单的页面_第4张图片


在pom.xml配置文件中加入以下依赖



    us.codecraft
    webmagic-core
    0.5.3


    us.codecraft
    webmagic-extension
    0.5.3


WebMagic 使用slf4j-log4j12作为slf4j的实现.如果你自己定制了slf4j的实现,请在项目中去掉此依赖。



   
        org.slf4j
        slf4j-log4j12
   



WebMagic(一)--抓取一个简单的页面_第5张图片


创建一个类并实现PageProcessor,PageProcessor是webmagic-core的一部分,定制一个PageProcessor即可实现自己的爬虫逻辑。


public class MywebMagic implements PageProcessor {

    private Site site = Site.me().setDomain("my.oschina.net");

    public void process(Page page) {
        List links = page.getHtml().links().regex("http://my\\.oschina\\.net/flashsword/blog/\\d+").all();
        page.addTargetRequests(links);
        page.putField("title", page.getHtml().xpath("//div[@class='BlogEntity']/div[@class='BlogTitle']/h1").toString());
        page.putField("content", page.getHtml().$("div.content").toString());
        page.putField("tags",page.getHtml().xpath("//div[@class='BlogTags']/a/text()").all());
    }

    public Site getSite() {
        return site;
    }

    public static void main(String[] args) {
        Spider.create(new MywebMagic()).addUrl("http://my.oschina.net/flashsword/blog")
                .addPipeline(new ConsolePipeline()).run();
    }

}


这里通过page.addTargetRequests()方法来增加要抓取的URL,并通过page.putField()来保存抽取结果。page.getHtml().xpath()则是按照某个规则对结果进行抽取,这里抽取支持链式调用。调用结束后,toString()表示转化为单个String,all()则转化为一个String列表。


Spider是爬虫的入口类。Pipeline是结果输出和持久化的接口,这里ConsolePipeline表示结果输出到控制台。


执行这个main方法,即可在控制台看到抓取结果。webmagic默认有3秒抓取间隔。


输出结果为:


WebMagic(一)--抓取一个简单的页面_第6张图片



他还提供了基于注解的一种方式:


webmagic-extension包括了注解方式编写爬虫的方法,只需基于一个POJO增加注解即可完成一个爬虫。以下仍然是抓取oschina博客的一段代码,功能与MywebMagic 完全相同:


@TargetUrl("http://my.oschina.net/flashsword/blog/\\d+")
public class MywebMagic_1 {
    @ExtractBy("//title")
    private String title;

    @ExtractBy(value = "div.BlogContent",type = ExtractBy.Type.Css)
    private String content;

    @ExtractBy(value = "//div[@class='BlogTags']/a/text()", multi = true)
    private List tags;

    public static void main(String[] args) {
        OOSpider.create(
                Site.me(),
                new ConsolePageModelPipeline(), OschinaBlog.class).addUrl("http://my.oschina.net/flashsword/blog").run();
    }
}

这是官网的例子,貌似没有输入。。。

你可能感兴趣的:(网络爬虫)