1 什么是WebMagic
WebMagic是一个简单灵活的Java爬虫框架。基于WebMagic,可以快速开发出一个高效、易维护的爬虫,原生开发方式核心很简单,功能性给简单性让步。可以通过maven导入相关依赖,如下:
<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>
也可以直接下载相关的jar并导入使用,具体步骤原理这里就不一一赘述了。
2 框架简单解读
在前一篇文章里,教学了直接普通的去拿到想要的东西,这里开始就使用webmagic框架,其可以简化爬虫的开发流程,让开发者专注于逻辑功能的开发。
首先介绍一下其相应的四个组件及其功能,分别是:Pageprocessor(负责解析页面),Scheduler(负责管理待出去的URL),Pipeline(负责抽取结果处理,做持久化到数据库操作),Downloader(负责从网上下载页面)。下面是用一个图的直观介绍:
图1 组件介绍
3 代码步骤
接下来就开始代码的书写,而且在最后还有完整的代码及注释供大家参考,在这里需要的暂时只有PageProcessor组件,所以直接让类去实现:
implements PageProcessor
首先书写爬取的相关配置:
private Site site =
Site.me().setCharset("utf-8").setTimeOut(10000).setRetrySleepTime(3).setSleepTime(1000);
@Override
public Site getSite() { return site; }
然后创建一个线程作为入口:
public static void main(String[] args) {
Spider.create(new GetPhoneNumber())
.thread(1)
.addUrl("http://www.taohaoma.com/mobile/number?p=1&order=")
.run();
}
接着就是重点的爬取逻辑:
@Override
public void process(Page page) {
Selectable url = page.getUrl();
if (url.regex("http://www.taohaoma.com/mobile/number\\?p=\\d&order=").match()){
Html html = page.getHtml();
List<String> list = html.xpath("[@id='f12']/table/tbody/tr/td[1]/a/text()").all();
downPhoneNumber(list);
}
}
最后就是需要写一个保存到本地的方法,如下:
public void downPhoneNumber(List<String> list){
File file = new File("H:/桌面/tel2.txt");
PrintWriter pw = null;
try {
FileOutputStream fos = new FileOutputStream(file);
pw = new PrintWriter(fos,true);
for (String string : list){
pw.println(string);
}
System.out.println("写入完毕!");
} catch (FileNotFoundException e) {
e.printStackTrace();
} finally {
pw.close();
}
}
完成了这些操作,就可以爬取到需要的资源了。
4 完整代码及详细注释
完整代码及详细注释如下:
package com.yellow.java_pachong.tel2;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.selector.Html;
import us.codecraft.webmagic.selector.Selectable;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.PrintWriter;
import java.util.List;
public class GetPhoneNumber implements PageProcessor {
//抓取网站的相关配置
private Site site = Site.me()
.setCharset("utf-8")//设置字符集
.setTimeOut(10000)//设置超时时间
.setRetrySleepTime(3)//设置重试次数
.setSleepTime(1000);//设置休眠时间
@Override
public Site getSite() { return site; }
//爬取逻辑
@Override
public void process(Page page) {
//通过Downloader下载下来的页面的URL
Selectable url = page.getUrl();
// System.out.println(url);
//通过正则表达是去匹配是否是我们想要抓取的网页URL,像问号这种需要使用\去转义
if (url.regex("http://www.taohaoma.com/mobile/number\\?p=\\d&order=").match()){
//开始抓取信息
// System.out.println("匹配成功");//检查是否匹配
//获取页面信息
Html html = page.getHtml();
// System.out.println(html);//检查是否拿到网页
//通过Xpath去解析html,Xpath是w3c xslt标准的主要元素 还是一门在xml文档中查找信息的语言,先定位到最近的一个div的idf12作为根部,再根据我们需要的号码一层一层下去,并用集合装
List<String> list = html.xpath("[@id='f12']/table/tbody/tr/td[1]/a/text()").all();
//将文件存到本地
downPhoneNumber(list);
// for (String string : list) {
// System.out.println(string);
// }//控制台遍历打印
}
}
//将爬取到的内容保存到本地
public void downPhoneNumber(List<String> list){
//创建存储位置
File file = new File("H:/桌面/tel2.txt");
//定义流,为了可以在finally处,无论是否成功,都可以关流释放资源。
PrintWriter pw = null;
try {
//输出流
FileOutputStream fos = new FileOutputStream(file);
//字符流
pw = new PrintWriter(fos,true);
//向本地输出
for (String string : list){
pw.println(string);
}
System.out.println("写入完毕!");
} catch (FileNotFoundException e) {
e.printStackTrace();
} finally {
//关流
pw.close();
}
}
//程序入口
public static void main(String[] args) {
//创建线程,addUrl爬哪个网址,run启动
Spider.create(new GetPhoneNumber())
.thread(1)
.addUrl("http://www.taohaoma.com/mobile/number?p=1&order=")
.run();
}
}
5 注意提醒
在书写代码时需要注意到的几个容易犯错的地方:
在书写正则表达式及一些语句时,需要考虑是否需要转义。
在写Xpath时[@id='f12']里面,=号两边不能有空格。
Xpath可以直接在网页上进行copy,如下图:
图2 copy Xpath
END
主 编 | 王文星
责 编 | 黄晓锋
where2go 团队