Java 使用WebMagic爬取网页（简单示例）

news2024/11/18 18:19:38

框架简介

WebMagic是一个基于Java的开源网络爬虫框架，它提供了很多简单易用的API接口，可以帮助使用者快速构建出高效、可扩展的网络爬虫程序，WebMagic由四个组件(Downloader、PageProcessor、Scheduler、Pipeline)构成，核心代码非常简单，主要是将这些组件结合并完成多线程的任务

WebMagic的结构分为Downloader、PageProcessor、Scheduler、Pipeline四大组件，并由Spider将它们彼此组织起来。这四大组件对应爬虫生命周期中的下载、处理、管理和持久化等功能。WebMagic的设计参考了Scapy，但是实现方式更Java化一些。

而Spider则将这几个组件组织起来，让它们可以互相交互，流程化的执行，可以认为Spider是一个大的容器，它也是WebMagic逻辑的核心。

爬取时的主要流程：

首先初始化Spider，设置初始url地址，并注册PageProcessor和其他配置，随后Spider从Scheduler中取出一个待抓取的URL，
Downloader根据该URL发起HTTP请求，获取网页内容并生成一个`ResultItems`对象和对应的`Request`对象。
再PageProcessor处理该`Request`对象，抽取数据并填充到`ResultItems`中，同时可能会发现新的链接并添加到Scheduler中。
抽取后的结果通过Pipeline传递出去，进行持久化或其他处理。
循环继续，直到Scheduler中的URL被全部抓取完毕，或者达到预设的抓取条件。

过多的就不介绍了，对框架感兴趣强烈推荐去看框架的官方文档

Introduction · WebMagic Documents

爬取网站信息

爬取内容

我本人是河北大学的学生，因此这里就爬取本校官网上的一个新闻板块——河大要闻。

页面如下：

该页面下有多个新闻，点进去之后可以看到新闻的详细信息。例如：

因此我想要爬取该模块内的所有新闻的详细信息，包括新闻的标题，时间，以及内容。

具体实现

基础配置我们直接略过，来看代码如何实现？

首先创建一个HBUNew类，让其实习PageProcessor接口，并实现其全部方法。

这里的setRetryTimes(4).setSleepTime(500)是指下载的尝试次数，一次下载失败会重新尝试，并设置每次爬取的时间间隔，这里设置的每0.5秒爬取一次。

public class HBUNew implements PageProcessor {

    private Site site = Site.me().setRetryTimes(4).setSleepTime(500);

    @Override
    public void process(Page page) {

    }
    public Site getSite() {
        return site;
    }
    public static void main(String[] args) {

    }
}

接下来编写process方法，用来抽取所有我们想要的信息。

具体代码如下：

    public void process(Page page) {
        if (!page.getUrl().regex("https://www.hbu.edu.cn/info.*").match()) {
            //获取新闻URL
            List<String> all = page.getHtml().xpath("/html/body/div[@class='g-row']/div[1]/div[@class='col_r']/ul[@class='ul-study']/li/a").links().all();
            String nextPage = page.getHtml().xpath("/html/body/div[@class='g-row']/div[1]/div[@class='col_r']/div[@class='pb_sys_common pb_sys_normal pb_sys_style1']/span[2]/span[@class='p_next p_fun']/a").links().get();
            all.add(nextPage);
            //添加
            page.addTargetRequests(all);
        } else {//新闻详情页
            String url = page.getUrl().toString();
            String title = page.getHtml().xpath("/html/body/div[@class='g-row']/div[1]/div[@class='col-l']/form/div[1]/h1/text()").get();
            String date = page.getHtml().xpath("/html/body/div[@class='g-row']/div[1]/div[@class='col-l']/form/div[1]/div[@class='date']/text()").get();
            String content = page.getHtml().xpath("/html/body/div[@class='g-row']/div[1]/div[@class='col-l']/form/div[1]/div[@class='txt']/allText()").get();
            //存储结果
            page.putField("地址", url);
            page.putField("标题", title);
            page.putField("日期", date);
            page.putField("内容", content);
        }
    }

首先使用page.getUrl().regex("https://www.hbu.edu.cn/info.*").match()判断当前页面的URL是否与指定的正则表达式匹配。如果不匹配，则表示该页面不是目标新闻页面，而是列表页面。

如果是列表页那就使用xpath()方法获取该页中的所有详细页地址和下一页地址用来找到下一页。

详细页地址：

下一页地址：

如果是详细页依旧是使用Xpath来获取页面内的信息

最后在主方法中创建Spider，添加初始地址，并添加自定义的Pipeline，让其结果以json文件的形式储存在HBUnews文件夹下。

    public static void main(String[] args) {
        Spider.create(new HBUNew())
                //初始访问url地址
                .addUrl("https://www.hbu.edu.cn/index/hdyw1.htm")
                .setDownloader(new HttpClientDownloader())
                .addPipeline(new JsonFilePipeline("HBUnews/"))
                .thread(5)
                .run();
    }