java 爬虫学习笔记一使用爬虫框架 WebMagic

1.WebMagic 官方文档地址 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")

分析了一下要抓的页面的信息就是想抓一下页面的标题

使用代码

运行结果对比：

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。

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：
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();
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。我觉得这块挺难得，正则不太熟。
JsonPath