webmagic爬虫--爬取简单网页

WebMagic框架包含四个组件，PageProcessor、Scheduler、Downloader和Pipeline。

这四大组件对应爬虫生命周期中的处理、管理、下载和持久化等功能。

这四个组件都是Spider中的属性，爬虫框架通过Spider启动和管理。

 

 

PageProcessor 负责解析页面，抽取有用信息，以及发现新的链接。需要自己定义。

Scheduler 负责管理待抓取的URL，以及一些去重的工作。一般无需自己定制Scheduler。

Pipeline 负责抽取结果的处理，包括计算、持久化到文件、数据库等。

Downloader 负责从互联网上下载页面，以便后续处理。一般无需自己实现。

 

用于数据流转的对象

Request 是对URL地址的一层封装，一个Request对应一个URL地址。

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。

ResultItems 相当于一个Map，它保存PageProcessor处理的结果，供Pipeline使用。

 

步骤：

1.首先引入jar包

<dependency>
  <groupId>us.codecraft</groupId>
  <artifactId>webmagic-core</artifactId>
  <version>0.7.3</version>
</dependency>
<dependency>
  <groupId>us.codecraft</groupId>
  <artifactId>webmagic-extension</artifactId>
  <version>0.7.3</version>
</dependency>

2.写实现类

package com.webmagic;

import us.codecraft.webmagic.*;
import us.codecraft.webmagic.pipeline.Pipeline;
import us.codecraft.webmagic.processor.PageProcessor;

import java.util.Iterator;
import java.util.Map;
//完成虎扑新闻的标题和内容的爬取
public class MyCnblogsSpider implements PageProcessor {
   //抓取网站的相关配置 包括编码 抓取间隔 重试次数
    private Site site = Site.me().setRetryTimes(3).setSleepTime(100).setCharset("utf8");

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

    @Override
    public void process(Page page) {
       //如果是文章页面 满足正则表达式
        if(page.getUrl().regex("https://voice\\.hupu\\.com/nba/[0-9]{7}\\.html").match()) {
            //对需要的文章内容进行爬取
            page.putField("Title", page.getHtml().xpath("/html/body/div[4]/div[1]/div[1]/h1/text()").toString());
            page.putField("Content", page.getHtml().xpath("/html/body/div[4]/div[1]/div[2]/div/div[2]/p/text()").all().toString());
        }
        else {
            // 文章url
            page.addTargetRequests(
                    page.getHtml().xpath("/html/body/div[3]/div[1]/div[2]/ul/li/div[1]/h4/a/@href").all());
            // 翻页url
            page.addTargetRequests(
                    page.getHtml().xpath("/html/body/div[3]/div[1]/div[3]/a[@class='page-btn-prev']/@href").all());
        }


    }
    public static void main(String args[]){
        Spider.create(new MyCnblogsSpider()).addUrl("https://voice.hupu.com/nba/1").addPipeline(new MyPiepeline()).thread(3).run();
    }

   //自定义实现Pipeline
    private static class MyPiepeline implements Pipeline {
        public MyPiepeline(){

        }
        @Override
        public void process(ResultItems resultItems, Task task) {
            Map<String,Object> map = resultItems.getAll();
            Iterator<Map.Entry<String,Object>> iterator = map.entrySet().iterator();
            Map.Entry<String,Object> entry;
            System.out.println("开始循环");
            while (iterator.hasNext()){
                entry = iterator.next();
                System.out.println(entry.getKey()+":"+entry.getValue());
            }
        }
    }
}