Java網絡爬蟲- WebMagic 框架的使用 | 8月更文挑戰

1、WebMagic

WebMagic是一款爬蟲框架，其底層用到以前學習到的HttpClient 和 Jsoup ，可讓咱們更方便的開發爬蟲。

WebMagic 項目代碼分爲核心和擴展兩部分

• 核心部分是一個精簡的、模塊化的爬蟲實現；
• 擴展部分則包括一些便利的、實用性強的功能。

  WebMagic 的設計目標是儘可能的模塊化，並體現爬蟲的功能特色。這部分提供了很是簡單、靈活的API，在基本不改變開發模式的狀況下，編寫爬蟲。   擴展部分提供一些便捷的功能，例如註解模式編寫爬蟲等。同事內置一些經常使用的組件，便於爬蟲開發。

WebMagic架構

  WebMagic 的結構分爲 Downloader、PageProcessor、Scheduler、Pipeline四大組件，並有 Spider 將它們彼此組織起來。這四大組件分別對應爬蟲生命週期中的下載、處理、管理和持久化等功能。WebMagic 的設計參考了 Scrapy（Python中的），可是實現方式更Java化一些。

結構執行流程以下:

用於數據流轉的對象

1. Request Request（請求）跟咱們web中學習的同樣，Request是對 URL 地址的一層封裝，一個Request對應一個URL地址； 　　它是 PageProcessor 與 Downloader 交互的載體，也是 PageProcessor 控制 Downloader 惟一方式。

2. Page Page 表明了從 Downloader 下載到的一個頁面——多是HTML,也多是JSON或者其餘文本格式的內容； 　　Page 是 WebMagic 抽取過程的核心對象，它提供一些方法可供抽取、結果保存等。

3. ResultItems ResultItems 至關於一個Map，它保存 PageProcessor 處理的結果，供 Pipeline 使用； 　　它的API與Map很相似，其中它有一個字段 skip,爲true時，則不該該被 Pipeline處理。

入門案例

1. 導入依賴

<dependencies>
        <!-- https://mvnrepository.com/artifact/us.codecraft/webmagic-core -->
        <dependency>
            <groupId>us.codecraft</groupId>
            <artifactId>webmagic-core</artifactId>
            <version>0.7.3</version>
        </dependency>

        <!-- https://mvnrepository.com/artifact/us.codecraft/webmagic-extension -->
        <dependency>
            <groupId>us.codecraft</groupId>
            <artifactId>webmagic-extension</artifactId>
            <version>0.7.3</version>
        </dependency>
    </dependencies>
複製代碼

ps: 0.7.3版本對SSL的並不徹底，若是是直接從 Maven 中央倉庫下載的依賴，在爬取只支持 SSL v1.2 的網站會有SSL的異常拋出。

解決方案：

1. 等0.7.4版本的發佈（放棄吧，有的人已經等三年了）;
2. 直接從 github 上下載最新的代碼（github.com/code4craft/…; 安裝到本地倉庫

   • 下載解壓（照顧一下 git用的不溜的小夥伴，就不使用 git了）

   • 跳過測試

2. 加入配置文件

WebMagic 已使用slf4j-log4j12做爲 slf4j 的實現，無需導包。

加配置文件　

log4j.rootLogger=INFO,A1

log4j.appender.A1=org.apache.log4j.ConsoleAppender
log4j.appender.A1.layout=org.apache.log4j.PatternLayout
log4j.appender.A1.layout.ConversionPattern=%-d{yyyy-MM-dd HH:mm:ss,SSS} [%t] [%c] [%p] %m%n
複製代碼

3. 測試

3.1 編寫代碼　

public class JobProcessor implements PageProcessor {
    public static void main(String[] args) {
        Spider.create(new JobProcessor())   // new一個本身所寫的JobProcessor對象
                .addUrl("http://112.124.1.187/index.html")
                .run();
    }
    // 負責解析頁面
    @Override
    public void process(Page page) {
        // 解析返回的數據page,而且把解析的結果放到 ResultItems 中
        page.putField("首頁通知",page.getHtml().css("div.content h2").all());
    }
    // 這個，將就寫着，入門案例嘛，後面講到
    private Site site = Site.me();
    @Override
    public Site getSite() {
        return site;
    }
}
複製代碼

ps: 這裏解析頁面數據："page.putField("首頁通知",page.getHtml().css("div.content h2").all()); 」 使用到的是 css抽取元素，除此以外，還有 XPath、正則表達式 的方法來抽取元素，他們還能夠拼接使用，這個能夠本身去了解。 在抽取的過程當中，總有可能抽取到多條元素，可以使用不一樣的API獲取一個或多個元素:

page.putField("首頁通知",page.getHtml().css("div.content h2").gt()　　// 一個元素（默認第一個）
page.putField("首頁通知",page.getHtml().css("div.content h2").toString()　　// 一個元素（默認第一個）
page.putField("首頁通知",page.getHtml().css("div.content h2").all()　　// 全部元素

複製代碼

3.2 獲取連接

// 放在上面的 process 方法中執行。 
　　　　 // 獲取連接
        // 這一行代碼，獲取，當前頁面中抽取出來的帶有其餘 URL 地址的元素
        page.addTargetRequests(page.getHtml().css(".excerpt_ban p").links().all());
        // 這之間，作了一個跳轉。下面的代碼針對目標url地址的頁面
        // 這一行代碼，獲取，目標 url 的HTML頁面中，你要抽取的元素
        page.putField("連接抓取，博客標題",page.getHtml().css(".blog_title h4").all());
複製代碼

圖解:

3.3 使用 Pipeline 保存數據

WebMagic 用於保存結果的組件叫 Pipeline，默認向控制檯輸出結果，由內置的Pipeline（ConsolePipeline）完成；

將結果保存到文件中，將 Pipeline 的實現換成 FilePipeline.

2、爬蟲的配置、啓動和終止

  Spider 是爬蟲啓動的入口。在啓動爬蟲以前，咱們須要使用一個 PageProcessor 建立一個 Spider 對象，而後使用run()啓動。   同時，Spider 的其餘組件(Downloder、Scheduler、Pipeline) 均可以配置。

• create(PageProcessor)　　 建立Spider

• addUrl(String .. urls) 　　添加初始的URL

• thread(int n)　　 開啓n個線程

• run()　　 啓動，會阻塞當前線程執行

• start()/runAsync() 　　異步啓動，當前線程繼續執行

• stop 　　 中止爬蟲

• addPipeline(Pipeline p)　　 添加一個 Pipeline ,一個Spider能夠有多個Pipeline

• setScheduler(Scheduler s) 　　設置 Scheduler,一個Spider能夠有多個 Scheduler

• setDownloader(Downloader d) 　　設置 Downloader，一個Spider只能有一個 Downloader

• get(String str) 　　 同步調用，並直接取得結果

• getAll(String ...str)　　 同步調用，並直接取得一堆結果

• 站點自己的一些配置信息，例如編碼、HTTP頭、超時時間、重試策略、代理等，均可以經過 Site 對象進行配置。

// 這個，將就寫着，入門案例嘛，後面講到
    private Site site = Site.me()
            .setCharset("utf-8")    // 設置編碼
            .setTimeOut(10 * 1000)     // 設置超時時間，單位:毫秒
            .setSleepTime(10)     // 抓取間隔時間
            .setCycleRetryTimes(10 * 1000)   // 重試的時間
            .setRetryTimes(3)    // 重試次數
            ;
複製代碼

• setCharset(String charSet)　　設置編碼
• setUserAgent(String str) 　　設置 UserAgent
• setTimeOut(int ms) 　　設置超時時間，單位：毫秒
• setRetryTimes(int num) 　　設置重試次數
• setCycleRetryTimes(int num) 　　設置循環重試次數
• addCookie(String key,String val) 　　添加一條 cookie
• setDomain(String str) 　　 設置域名，需設置域名後，addCookie纔可生效
• addHeader(String s1,String s2)　　 添加一條 請求頭部
• setHttpProxy(HttpHost host) 　　 設置 Http 代理