java爬虫系列第一讲-爬虫入门

1. 概述

java爬虫系列包含哪些内容？

1. java爬虫框架webmgic入门
2. 使用webmgic爬取 http://ady01.com 中的电影资源（动作电影列表页、电影下载地址等信息）
3. 使用webmgic爬取 极客时间 的课程资源（文章系列课程 和 视频系列的课程）

本篇文章主要内容：

1. 介绍java中好用的爬虫框架
2. java爬虫框架webmagic介绍
3. 使用webgic爬取动作电影列表信息

2. java中好用的爬虫框架

如何判断框架是否优秀？

1. 容易学习和使用，网上对应的学习资料比较多，并且比较完善
2. 使用的人比较多，存在的坑别人已经帮你填的差不多了，用起来会更顺心一些
3. 框架更新比较快，社区活跃，可以快速体验一些更好的功能，并与作者进行交流
4. 框架稳定、方便扩展

按照以上几点的，推荐一款非常好用的java爬虫框架webmgic

3. webmgic介绍

• WebMagic是一个简单灵活的Java爬虫框架。基于WebMagic，你可以快速开发出一个高效、易维护的爬虫。
• webmagic官网：http://webmagic.io/
• webmgic中文学习文档：http://webmagic.io/docs/zh/

4.使用webgic爬取动作电影列表

使用webgic爬取 爱电影 电影列表资源信息

示例源码地址

1. 新建springboot项目java-pachong

2. 导入maven配置

<dependencies>
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter</artifactId>
    </dependency>

    <dependency>
        <groupId>org.projectlombok</groupId>
        <artifactId>lombok</artifactId>
        <optional>true</optional>
    </dependency>
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-test</artifactId>
        <scope>test</scope>
    </dependency>

    <!-- webmagic start -->
    <dependency>
        <groupId>us.codecraft</groupId>
        <artifactId>webmagic-core</artifactId>
        <version>0.7.3</version>
        <exclusions>
            <exclusion>
                <artifactId>fastjson</artifactId>
                <groupId>com.alibaba</groupId>
            </exclusion>
            <exclusion>
                <artifactId>commons-io</artifactId>
                <groupId>commons-io</groupId>
            </exclusion>
            <exclusion>
                <artifactId>commons-io</artifactId>
                <groupId>commons-io</groupId>
            </exclusion>
            <exclusion>
                <artifactId>fastjson</artifactId>
                <groupId>com.alibaba</groupId>
            </exclusion>
            <exclusion>
                <artifactId>fastjson</artifactId>
                <groupId>com.alibaba</groupId>
            </exclusion>
            <exclusion>
                <artifactId>log4j</artifactId>
                <groupId>log4j</groupId>
            </exclusion>
            <exclusion>
                <artifactId>slf4j-log4j12</artifactId>
                <groupId>org.slf4j</groupId>
            </exclusion>
        </exclusions>
    </dependency>
    <dependency>
        <groupId>us.codecraft</groupId>
        <artifactId>webmagic-extension</artifactId>
        <version>0.7.3</version>
    </dependency>
    <dependency>
        <groupId>us.codecraft</groupId>
        <artifactId>webmagic-selenium</artifactId>
        <version>0.7.3</version>
    </dependency>
    <dependency>
        <groupId>net.minidev</groupId>
        <artifactId>json-smart</artifactId>
        <version>2.2.1</version>
    </dependency>
    <!-- webmagic end -->
    <dependency>
        <groupId>com.alibaba</groupId>
        <artifactId>fastjson</artifactId>
        <version>1.2.49</version>
    </dependency>
    <dependency>
        <groupId>commons-lang</groupId>
        <artifactId>commons-lang</artifactId>
        <version>2.6</version>
    </dependency>
    <dependency>
        <groupId>commons-io</groupId>
        <artifactId>commons-io</artifactId>
        <version>2.6</version>
    </dependency>
    <dependency>
        <groupId>commons-codec</groupId>
        <artifactId>commons-codec</artifactId>
        <version>1.11</version>
    </dependency>
    <dependency>
        <groupId>commons-collections</groupId>
        <artifactId>commons-collections</artifactId>
        <version>3.2.2</version>
    </dependency>
</dependencies>

3. 编写抓取电影数据的代码

• 在谷歌浏览器中访问 爱电影动作片列表

• F12发现列表页中数据是通过一个ajax请求获取的，我们获取请求地址

  http://m.ady01.com/rs/film/listJson/1/2?_=1555726508180

• 编写抓取代码

package com.ady01.demo1;

import lombok.extern.slf4j.Slf4j;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;

/**
 * <b>description</b>：第一个爬虫示例，爬去动作片列表信息 <br>
 * <b>time</b>：2019/4/20 10:58 <br>
 * <b>author</b>：ready [email protected]
 */
@Slf4j
public class Ady01comPageProcessor implements PageProcessor {
    @Override
    public void process(Page page) {
        log.info("爬取成功!");
        log.info("爬取的内容：" + page.getRawText());
    }

    @Override
    public Site getSite() {
        return Site.me().setSleepTime(1000).setRetryTimes(3);
    }

    public static void main(String[] args) {
        String url = "http://m.ady01.com/rs/film/listJson/1/2?_=1555726508180";
        Spider.create(new Ady01comPageProcessor()).addUrl(url).thread(1).run();
    }
}

4. 运行爬虫代码

运行Ady01comPageProcessor中的main方法，执行结果如下：

5.总结

1. 本文中主要用了一个示例说明webgic是如此简单就可以完成数据的抓取工作，从代码中可以看出复杂的代码webmagic都帮我们屏蔽了，只需要我们去关注业务代码的编写。
2. 文章中没有详细介webmagic如何使用，至于我为何没有在文档中去做说明，主要是webigc已经提供了非常完善的学习文档，可以移步到webgic中文文档，需要更深入了解的可以研究一下webgic的源码，对你编写爬虫是非常有用的。
3. 明日我们将爬取每个动作电影详情页信息，采集详情页中电影的下载地址
4. 示例代码，导入到idea中运行，idea中需要安装maven和lombok的支持
5. 更多技术文章请关注公众号：javacode2018