Java爬虫框架WebMagiclx-

WebMagic的架构设计参照了Scrapy，而实现则应用了HttpClient、Jsoup等Java成熟的工具。

WebMagic由四个组件(Downloader、PageProcessor、Scheduler、Pipeline)构成:

• Downloader : 下载器
• PageProcessor: 页面解析器
• Scheduler： 任务分配、url去重
• Pipeline：数据存储、处理

WebMagic数据流转的对象:

• Request : 一个Request对应一个URL地址 。它是是PageProcessor控制Downloader唯一方式。
• Page : 代表了从Downloader下载到的内容
• ResultItems : 相当于一个Map，它保存PageProcessor处理的结果，供Pipeline使用。

爬虫引擎–Spider：

• Spider是WebMagic内部流程的核心，上面的四个组件都相当于Spider的一个属性，通过设置这个属性可以实现不同的功能。
• Spider也是WebMagic操作的入口，它封装了爬虫的创建、启动、停止、多线程等功能

使用 Maven来安装WebMagic

<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> 

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

<dependency> <groupId>us.codecraft</groupId> <artifactId>webmagic-extension</artifactId> <version>0.7.3</version> <exclusions> <exclusion> <groupId>org.slf4j</groupId> <artifactId>slf4j-log4j12</artifactId> </exclusion> </exclusions> </dependency> 

如果不使用Maven的话，可以去https://webmagic.io中下载最新的jar包，下载之后进行解压，然后在项目中import即可。

开始开发第一个爬虫

项目中添加了WebMagic的依赖之后，即可开始第一个爬虫的开发了！
下面是一个测试，点击main方法，选择“运行”，查看是否正常运行。

package com.example.demo; import us.codecraft.webmagic.Page; import us.codecraft.webmagic.Site; import us.codecraft.webmagic.Spider; import us.codecraft.webmagic.processor.PageProcessor; public class DemoPageGet implements PageProcessor { private Site site = Site.me(); @Override public void process(Page page) {         System.out.println(page.getHtml()); } @Override public Site getSite() { return site; } public static void main(String[] args) {         Spider.create(new DemoPageGet()).addUrl("https://httpbin.org/get").run(); } } 

编写基本的爬虫

在WebMagic里，实现一个基本的爬虫只需要编写一个类，实现PageProcessor接口即可。

这部分我们直接通过GithubRepoPageProcessor这个例子来介绍PageProcessor的编写方式。

PageProcessor的定制分为三个部分，分别是爬虫的配置、页面元素的抽取和链接的发现。

public class GithubRepoPageProcessor implements PageProcessor { // 部分一：抓取网站的相关配置，包括编码、抓取间隔、重试次数等 private Site site = Site.me().setRetryTimes(3).setSleepTime(1000); @Override // process是定制爬虫逻辑的核心接口，在这里编写抽取逻辑 public void process(Page page) { // 部分二：定义如何抽取页面信息，并保存下来         page.putField("author", page.getUrl().regex("https://github\.com/(\w+)/.*").toString());         page.putField("name", page.getHtml().xpath("//h1[@class='entry-title public']/strong/a/text()").toString()); if (page.getResultItems().get("name") == null) { //skip this page             page.setSkip(true); }         page.putField("readme", page.getHtml().xpath("//div[@id='readme']/tidyText()")); // 部分三：从页面发现后续的url地址来抓取         page.addTargetRequests(page.getHtml().links().regex("(https://github\.com/[\w\-]+/[\w\-]+)").all()); } @Override public Site getSite() { return site; } public static void main(String[] args) {          Spider.create(new GithubRepoPageProcessor()) //从"https://github.com/code4craft"开始抓 .addUrl("https://github.com/code4craft") //开启5个线程抓取 .thread(5) //启动爬虫 .run(); } } 

追加请求的链接

先把链接通过正则匹配出来或者拼接出来，比如: page.getHtml().links().regex("").all()
再通过addTargetRequests方法 page.addTargetRequests(url) 则将这些链接加入到待抓取的队列中去。

爬虫的配置

Spider: 爬虫程序的入口，Spider的其他组件（Downloader、Scheduler、Pipeline）都可以通过set方法来进行设置。

Site: 对站点本身的一些配置信息，例如编码、HTTP头、超时时间、重试策略等、代理等，都可以通过设置Site对象来进行配置。

配置http代理，在0.7.1版本开始，WebMagic开始使用了新的代理APIProxyProvider，因为相对于Site的“配置”，ProxyProvider定位更多是一个“组件”，所以代理不再从Site设置，而是由HttpClientDownloader设置。

更多内容见官方文档。

页面元素的抽取

WebMagic里主要使用了三种数据抽取技术：

• XPath
• 正则表达式
• CSS选择器
• 另外，对于JSON格式的内容，可使用JsonPath进行解析

使用Pipeline保存结果

WebMagic用于保存结果的组件叫做Pipeline。

例如我们通过“控制台输出结果”这件事也是通过一个内置的Pipeline完成的，它叫做ConsolePipeline。

那么，我现在想要把结果用Json的格式保存下来，怎么做呢？

我只需要将Pipeline的实现换成”JsonFilePipeline”就可以了。

public static void main(String[] args) {     Spider.create(new GithubRepoPageProcessor()) //从"https://github.com/code4craft"开始抓 .addUrl("https://github.com/code4craft") .addPipeline(new JsonFilePipeline("./webmagic")) //开启5个线程抓取 .thread(5) //启动爬虫 .run(); } 

模拟POST请求方法

0.7.1版本之后，废弃了老的nameValuePair的写法，采用在Request对象上添加Method和requestBody来实现。

Request request = new Request("https://xxx/path"); request.setMethod(HttpConstant.Method.POST); request.setRequestBody(HttpRequestBody.json("{'id':1}","utf-8")); 

HttpRequestBody内置了几种初始化方式，支持最常见的表单提交、json提交等方式。