java 爬虫学习笔记一使用爬虫框架 WebMagic

逃离我推掉我的手 2022-05-21 11:49 352阅读 0赞

1.WebMagic 官方文档地址  [http://webmagic.io/docs/zh/][http_webmagic.io_docs_zh]

引入WebMagic的jar 这里采用pom形式

<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>  
   
 <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>

2.开始第一个爬虫，我这是用了官方文档的事例，由于github我这好像访问不了，就给了一下访问地址 就是我的博客地址  
代码如下 ，部分注释自带

package com.test;
    
    
    import java.util.List;
    
    
    import us.codecraft.webmagic.Page;
    import us.codecraft.webmagic.Site;
    import us.codecraft.webmagic.Spider;
    import us.codecraft.webmagic.pipeline.JsonFilePipeline;
    import us.codecraft.webmagic.processor.PageProcessor;
    
    
    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);
    
    
        
        // 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://blog.csdn\\.net/(\\w+)/.*").toString());
            page.putField("name", page.getHtml().xpath("//div[@class='push-event']/strong/a/text()").toString());
            System.out.println();
            List<String> contextList=page.getHtml().xpath("h4[@class='text-truncate']/a/text()").all();
            for(String str:contextList){
            System.out.println(str);
            }
            //System.out.println( page.getHtml().regex("h4[@class='text-truncate']/a/text()").all().toString());
            if (page.getResultItems().get("name") == null) {
                //skip this pagetimeline-on date-point
                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://blog.csdn\\.net/[\\w\\-]+/[\\w\\-]+)").all());
        }
    
    
    
    
        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://blog.csdn.net/hanzl1")
                    .addPipeline(new JsonFilePipeline("E:\\webmagic\\"))
                    //开启5个线程抓取
                    .thread(5)              
                    //启动爬虫
                    .run();
        }
    }

3. 设置起始的url  https://blog.csdn.net/hanzl1

.addUrl("https://blog.csdn.net/hanzl1")

![70][]

分析了一下要抓的页面的信息   就是想抓一下页面的标题

![70 1][]

使用代码

![70 2][]

运行结果对比  ：

![70 3][]

![70 4][]

4.使用了这个框架后其实最主要的难点是分析内容 还有好多东西要

4.1.2 页面元素的抽取

第二部分是爬虫的核心部分：对于下载到的Html页面，你如何从中抽取到你想要的信息？WebMagic里主要使用了三种抽取技术：XPath、正则表达式和CSS选择器。另外，对于JSON格式的内容，可使用JsonPath进行解析。

1.  XPath
    
    XPath本来是用于XML中获取元素的一种查询语言，但是用于Html也是比较方便的。例如：
    
        page.getHtml().xpath("//h1[@class='entry-title public']/strong/a/text()")
    
    这段代码使用了XPath，它的意思是“查找所有class属性为'entry-title public'的h1元素，并找到他的strong子节点的a子节点，并提取a节点的文本信息”。 对应的Html是这样子的：
    
    ![xpath-html][]
2.  CSS选择器
    
    CSS选择器是与XPath类似的语言。如果大家做过前端开发，肯定知道$('h1.entry-title')这种写法的含义。客观的说，它比XPath写起来要简单一些，但是如果写复杂一点的抽取规则，就相对要麻烦一点。        运行效果是一样的                                如：  List<String> contextList2=page.getHtml().css("h4\[class='text-truncate'\] a","text").all();
3.  正则表达式
    
    正则表达式则是一种通用的文本抽取语言。
    
        page.addTargetRequests(page.getHtml().links().regex("(https://github\\.com/\\w+/\\w+)").all());
    
    这段代码就用到了正则表达式，它表示匹配所有"[https://github.com/code4craft/webmagic"这样的链接。][https_github.com_code4craft_webmagic]我觉得这块挺难得，正则不太熟。
4.  JsonPath

[http_webmagic.io_docs_zh]: http://webmagic.io/docs/zh/
[70]: /images/20220521/90baf24c225c4912b2d112e0ee8433c2.png
[70 1]: /images/20220521/532153de50f94f87ad17cecb4582fb08.png
[70 2]: /images/20220521/dffab9ef88a845be864cc9a3ac1e156d.png
[70 3]: /images/20220521/c6dcba9f25a142eebfa421f3bde2d5b9.png
[70 4]: /images/20220521/ae17437fe00a4a98a46d9f3f44975949.png
[xpath-html]: http://webmagic.qiniudn.com/oscimages/104607_Aqq8_190591.png
[https_github.com_code4craft_webmagic]: https://github.com/code4craft/webmagic%22%E8%BF%99%E6%A0%B7%E7%9A%84%E9%93%BE%E6%8E%A5%E3%80%82