說到爬蟲,大家第一個想到的肯定是python的scrapyd爬蟲。但是大家不知道吧,我們的java也有相應的爬蟲工具。今天就給大家介紹一下我們java的爬蟲工具。
我們今天要介紹的爬蟲工具,名字叫做webmagic,webmagic的架構圖如下所示:
如圖所示,它主要分爲四個部分:
- Downloader(頁面下載)
- PageProcessor(頁面分析及鏈接抽取)
- Scheduler(URL管理)
- Pipeline(後續處理和持久化)
webmagic的用法其實很簡單,複雜的部分webmagic都替我們封裝好了,接下來開始我們爬蟲歷程。
1.首先引入webmagic的依賴
<!--webmagic依賴開始-->
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-core</artifactId>
<version>0.6.1</version>
</dependency>
<dependency>
<groupId>us.codecraft</groupId>
<version>0.6.1</version>
<artifactId>webmagic-extension</artifactId>
</dependency>
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-selenium</artifactId>
<version>0.6.1</version>
</dependency>
<dependency>
<groupId>org.seleniumhq.selenium</groupId>
<artifactId>selenium-java</artifactId>
<version>3.3.1</version>
</dependency>
<!--webmagic依賴結束-->
2.創建PageProcessor,用來處理網頁數據
/**
* @author linzhiqiang
*/
public class CsdnBlogProcessor implements PageProcessor {
private Site site = Site
.me()
.setDomain("csdn.net")
.setSleepTime(3000)
.setUserAgent(
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_2) AppleWebKit/537.31 (KHTML, like Gecko) Chrome/26.0.1410.65 Safari/537.31");
@Override
public void process(Page page) {
System.out.println("html:"+page.getHtml());
}
@Override
public Site getSite() {
return site;
}
}
site中放置爬取的網站域名、cookie、請求頭等信息。 process用來處理爬取到的網頁數據,處理完的數據可以通過page.putField(),再通過Pipeline獲取存儲到數據庫。
3.創建Pipeline,存儲處理好的網頁數據
public class CsdnPipeline implements Pipeline {
@Override
public void process(ResultItems resultItems, Task task) {
//文章題目
String title = resultItems.get("title");
//文章內容
String context = resultItems.get("context");
System.out.println("title:" + title);
System.out.println("context:" + context);
}
}
在process中通過resultItems來獲取PageProcessor存儲的page數據,最後我們可以將數據存儲到redis、數據庫、文件等地方。
4.利用Scheduler調度爬取任務
public class RedisScheduler extends DuplicateRemovedScheduler implements
MonitorableScheduler, DuplicateRemover {
@Override
public int getLeftRequestsCount(Task task) {
return 0;
}
@Override
public boolean isDuplicate(Request request, Task task) {
return false;
}
@Override
public void resetDuplicateCheck(Task task) {
}
@Override
public int getTotalRequestsCount(Task task) {
return 0;
}
private int num = 0;
@Override
public Request poll(Task task) {
Request request = new Request("http://my.oschina.net/flashsword/blog/180623");
return request;
}
}
我們可以將我們要爬蟲的任務,添加到Scheduler中,然後按照順序一一爬取。
5.啓動爬蟲程序,開始爬取數據
public static void main(String[] args) {
RedisScheduler redisScheduler = new RedisScheduler();
Spider.create(new CsdnBlogProcessor())
.setScheduler(redisScheduler)
.addPipeline(new CsdnPipeline())
.thread(1)
.run();
}
從打印結果中,我們可以看到我們已經成功爬取到數據了。
官方文檔:http://webmagic.io/
想要更多幹貨、技術猛料的孩子,快點拿起手機掃碼關注我,我在這裏等你哦~
林老師帶你學編程:https://wolzq.com