WebMagic寫的網絡爬蟲

1、前言

　　最近由於有爬一些招聘網站的招聘信息的須要，而我以前也只是知道有「網絡爬蟲」這個神奇的名詞，具體是什麼、用什麼實現、什麼原理、如何實現比較好都不清楚，所以最近大體研究了一下，固然，研究的並非很深刻，畢竟一個高大上的知識即便站在巨人的肩膀上，也不能兩三天就融會貫通。在這裏先作一個技術儲備吧，具體的疑難知識點、細節等之後一點一點的完善，若是如今不趁熱打鐵，之後再想起來恐怕就沒印象了，那麼以個人懶惰的性格估計就要拋棄對它的愛情了。廢話很少說，讓咱們開始在知識的海洋裏遨遊吧。哎，等等，說到這我忽然想到昨天新記的一首詩感受挺好，給你們分享一下，緩解一下氣氛，再給你們講爬蟲吧：

　　　　　　   君生我未生，我生君已老 君恨我生遲，我恨君生早
                   君生我未生，我生君已老 恨不生同時，日日與君好
                   我生君未生，君生我已老 我離君天涯，君隔我海角
                   我生君未生，君生我已老 化蝶去尋花，夜夜棲芳草  

2、什麼是網絡爬蟲

　　是一種按照必定的規則，自動地抓取萬維網信息的程序或者腳本。

3、優勢

　　簡單易理解，管理方便。

4、WebMagic整體架構 

　　

5、如何用WwbMagic

　　1.5.1 WebMagic的四個組件　　　

1.Downloader

Downloader負責從互聯網上下載頁面，以便後續處理。WebMagic默認使用了Apache HttpClient做爲下載工具。

2.PageProcessor

PageProcessor負責解析頁面，抽取有用信息，以及發現新的連接。WebMagic使用Jsoup做爲HTML解析工具，並基於其開發瞭解析XPath的工具Xsoup。

在這四個組件中，PageProcessor對於每一個站點每一個頁面都不同，是須要使用者定製的部分。

3.Scheduler

Scheduler負責管理待抓取的URL，以及一些去重的工做。WebMagic默認提供了JDK的內存隊列來管理URL，並用集合來進行去重。也支持使用Redis進行分佈式管理。

除非項目有一些特殊的分佈式需求，不然無需本身定製Scheduler。

4.Pipeline

Pipeline負責抽取結果的處理，包括計算、持久化到文件、數據庫等。WebMagic默認提供了「輸出到控制檯」和「保存到文件」兩種結果處理方案。

Pipeline定義告終果保存的方式，若是你要保存到指定數據庫，則須要編寫對應的Pipeline。對於一類需求通常只需編寫一個Pipeline。

1.5.2  爬蟲項目簡單例子　

依賴：

 1 <dependency>
 2     <groupId>us.codecraft</groupId>
 3     <artifactId>webmagic-core</artifactId>
 4     <version>0.6.1</version>
 5 </dependency>
 6 <dependency>
 7     <groupId>us.codecraft</groupId>
 8     <artifactId>webmagic-extension</artifactId>
 9     <version>0.6.1</version>
10 </dependency>

 

簡單代碼：　　

 1 import us.codecraft.webmagic.Page;
 2 import us.codecraft.webmagic.Site;
 3 import us.codecraft.webmagic.Spider;
 4 import us.codecraft.webmagic.processor.PageProcessor;
 5 
 6 public class GithubRepoPageProcessor implements PageProcessor {
 7 
 8     private Site site = Site.me().setRetryTimes(3).setSleepTime(100);
 9 
10     @Override
11     public void process(Page page) {
12         page.addTargetRequests(page.getHtml().links().regex("(https://github\\.com/\\w+/\\w+)").all());
13         page.putField("author", page.getUrl().regex("https://github\\.com/(\\w+)/.*").toString());
14         page.putField("name", page.getHtml().xpath("//h1[@class='entry-title public']/strong/a/text()").toString());
15         if (page.getResultItems().get("name")==null){
16             //skip this page
17             page.setSkip(true);
18         }
19         page.putField("readme", page.getHtml().xpath("//div[@id='readme']/tidyText()"));
20     }
21 
22     @Override
23     public Site getSite() {
24         return site;
25     }
26 
27     public static void main(String[] args) {
28         Spider.create(new GithubRepoPageProcessor()).addUrl("https://github.com/code4craft").thread(5).run();
29     }

 

 若是仔細分析這段代碼的邏輯，將其弄明白了，那麼對於一個簡單的爬蟲項目，你就能夠本身寫了。

addUrl是定義從哪個頁面開始爬取；

addTargetRequests(page.getHtml().links().regex("(https://github\\.com/\\w+/\\w+)").all());是指定抓取html頁面的符合此正則表達式的全部連接url；

page.getHtml().xpath("//h1[@class='entry-title public']/strong/a/text()").toString是指定抓取h1標籤下的class屬性值爲entry-title public的子標

籤strong下的a標籤下的文本內容；

tidyText()全部的直接和間接文本子節點，並將一些標籤替換爲換行，使純文本顯示更整潔。固然這也就要求你們也要對正則表達式熟悉了。本文用的是xsoup，Xsoup是
基於Jsoup開發的一款XPath 解析器，以前WebMagic使用的解析器是HtmlCleaner，使用過程存在一些問題。主要問題是XPath出錯定位不許確，而且其不太合理的代碼結構
，也難以進行定製。而Xsoup更加符　 合爬蟲開發的需 要。使人欣喜的是，通過測試，Xsoup的性能比HtmlCleaner要快一倍以上。　基於，也難以，

　　經過註解將值賦給model屬性的實體類：
　　　　　　

 1 @TargetUrl("https://github.com/\\w+/\\w+")
 2 @HelpUrl("https://github.com/\\w+")
 3 public class GithubRepo {
 4 
 5     @ExtractBy(value = "//h1[@class='entry-title public']/strong/a/text()", notNull = true)
 6     private String name;
 7 
 8     @ExtractByUrl("https://github\\.com/(\\w+)/.*")
 9     private String author;
10 
11     @ExtractBy("//div[@id='readme']/tidyText()")
12     private String readme;
13 }

 

是一個很是有效的爬蟲開發模式，TargetUrl是咱們最終要抓取的URL，最終想要的數據都來自這裏；而HelpUrl則是爲了發現這個最終URL，咱們須要訪問的頁面。幾乎全部垂直爬蟲的需求，均可以歸結爲對這兩類URL的處理： 
提示：
HelpUrl/TargetUrl

• 對於博客頁，HelpUrl是列表頁，TargetUrl是文章頁。
• 對於論壇，HelpUrl是帖子列表，TargetUrl是帖子詳情。
• 對於電商網站，HelpUrl是分類列表，TargetUrl是商品詳情。

模擬瀏覽器請求：
　　

 1     public VideoSpider(String url, String proxyStr) {
 2         this.client_url = url;
 3         String[] tmp = proxyStr.split(":");
 4         HttpHost proxy = new HttpHost(tmp[1].substring(2), Integer.parseInt(tmp[2]), tmp[0]);
 5         Site site = Site.me().setRetryTimes(3).setHttpProxy(proxy).setSleepTime(100).setTimeOut(10 * 1000).setCharset("UTF-8")
 6                 .setUserAgent("Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36");
 7 
 8         GPHttpClientDownloader downloader = new GPHttpClientDownloader();
 9         Request request = new Request(this.client_url);
10 
11         this.setCookie(request, site, downloader);
12         this.setParameters(request, site, downloader);
13     }

 

　　中setUserAgent("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.57 Safari/537.36"),jobInfoDaoPipeline, LieTouJobInfo.class)

 是模擬火狐、蘋果、谷歌等瀏覽器進行請求將經過實體類LieTouJobInfo來抓取指定的內容並經過數據庫訪問層jobInfoDaoPipeline將相關屬性存入數據庫。

6、思考

　　簡單的爬蟲用以上代碼基本就能夠實現，可是咱們要知道，要想真正爬取本身想要的內容，還有一段很長的落要走。由於咱們在抓取數據的時候要考慮到去重、動態頁面的產生、快速的更新頻率、巨大的數據量等等的問題。針對這些問題咱們該怎麼作纔能有效簡單的去解決，這是
一個特別值得探討的問題。就先寫到這吧，若是我研究的有進展了，足以在公司項目中穩定投入使用了，再來完善吧。

下載：

最新版：WebMagic-0.6.1

Maven依賴：

<dependency> <groupId>us.codecraft</groupId> <artifactId>webmagic-core</artifactId> <version>0.6.1</version> </dependency> <dependency> <groupId>us.codecraft</groupId> <artifactId>webmagic-extension</artifactId> <version>0.6.1</version> </dependency> 

文檔：

• 中文: http://webmagic.io/docs/zh/
• English: http://webmagic.io/docs/en

源碼：

• https://git.oschina.net/flashsword20/webmagic
• https://github.com/code4craft/webmagic