[爬虫類]使用のJavaフレームワークwebmagic戦闘デモ

webmagicフレームワーク：http://webmagic.io/

WebMagic構造を分けDownloader、PageProcessor、Scheduler、Pipeline四つの成分

PageProcessorは、設定ページ要素爬虫類及びリンク発見抽出される3つの部分に分割されています。

Pipelineコンポーネントのは、カスタムパイプラインを実装してみましょう、結果を格納するために使用、結果はファイル、データベースおよび一連の機能を保存するために達成することができ

自分の時間と研究カザフスタンへの機能の多くは、ここでは繰り返しません。

します。https：//www.cnblogs.com/loaderman/テーマに直接以下、私はデータのブログのホームページを登ります

見て、ソースコードを表示するホーム：

最初のステップ：Mavenの設定は参照webmagic：http://webmagic.io/docs/zh/posts/ch2-install/with-maven.html

ステップ2：文書に従ってエンコード直接戦闘：

定義されたエンティティクラス

パブリック クラスLoadermanModel {
     プライベート文字列のタイトル。
    プライベート文字列detailUrl。
    プライベート文字列の内容。
    プライベート文字列の日付。

    パブリックLoadermanModel（）{ 
    } 

    公共LoadermanModel（文字列のタイトル文字列detailUrl、文字列のコンテンツ、文字列の日付）{
         この .TITLE = タイトル。
        この .detailUrl = detailUrl。
        この .content = コンテンツ;
        この .date = 日付。
    } 

    パブリック文字列あるgetTitle（）{
         戻りタイトル。
    } 

    公共 ボイドのsetTitle（文字列のタイトル）{
         この .TITLE = タイトル。
    } 

    パブリック文字列getDetailUrl（）{
         戻りdetailUrlと、
    } 

    公共 ボイドsetDetailUrl（文字列detailUrl）{
         この .detailUrl = detailUrl。
    } 

    パブリック文字列のgetContent（）{
         戻り含量; 
    } 

    公共 ボイドのsetContent（文字列コンテンツ）{
         この .content = コンテンツ。
    } 

    パブリック文字列のgetDate（）{
         リターン日付; 
    } 

    公共 ボイドのsetdate（文字列日）{
         この .date = 日付。
    } 
}

カスタムPageProcessor

import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.selector.Html;

import java.util.ArrayList;
import java.util.List;

public class LoadermanPageProcessor 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(5).setUserAgent("User-Agent: Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:70.0) Gecko/20100101 Firefox/70.0");

    @Override
    public void process(Page page) {
        List<String> pageItemList = page.getHtml().xpath("//div[@class='post']").all();
        ArrayList<LoadermanModel> list = new ArrayList<>();
        for (int i = 0; i < pageItemList.size(); i++) {
            Html html = Html.create(pageItemList.get(i));
            LoadermanModel loadermanModel=new LoadermanModel();
            loadermanModel.setTitle(html.xpath("//a[@class='postTitle2']/text()").toString() );
            loadermanModel.setDetailUrl(html.xpath("//a[@class='postTitle2']").links().toString());
            loadermanModel.setContent(html.xpath("//div[@class='c_b_p_desc']/text()").toString() );
            loadermanModel.setDate(html.xpath("//p[@class='postfoot']/text()").toString() );
            list.add(loadermanModel);
        }

        page.putField("data", list);


        if (page.getResultItems().get("data") == null) {
            //skip this page
            page.setSkip(true);
        }

    }

    @Override
    public Site getSite() {
        return site;
    }
}

自定义Pipeline,，对爬取后的数据提取和处理

import com.alibaba.fastjson.JSON;

import us.codecraft.webmagic.ResultItems;
import us.codecraft.webmagic.Task;
import us.codecraft.webmagic.pipeline.Pipeline;
import us.codecraft.webmagic.utils.FilePersistentBase;

import java.io.FileWriter;
import java.io.IOException;
import java.io.PrintWriter;


public class LoadermanlPipeline extends FilePersistentBase implements Pipeline {
    public LoadermanlPipeline(String path) {
        this.setPath(path);
    }

    public void process(ResultItems resultItems, Task task) {
        String path = "LoadermanlPipelineGetData";

        try {
            PrintWriter printWriter = new PrintWriter(new FileWriter(this.getFile(path+ ".json")));
            printWriter.write(JSON.toJSONString(resultItems.get("data")));
            printWriter.close();
        } catch (IOException var5) {

        }
    }
}

开启爬虫：

    Spider.create(new LoadermanPageProcessor())
                .addUrl("https://www.cnblogs.com/loaderman/")
                //自定义Pipeline，保存json文件到本地
                .addPipeline(new LoadermanlPipeline("D:\\loaderman\\"))
                //开启5个线程抓取
                .thread(5)
                //启动爬虫
                .run();

效果如下：

搞定！

[爬虫類]使用のJavaフレームワークwebmagic戦闘デモ

おすすめ