java 爬虫大型教程(二)
java 爬虫大型教程(二)
编写基本的爬虫
1. 实现PageProcessor
这部分我们直接通过CdnRepoPageProcessor
这个例子来介绍PageProcessor
的编写方式。PageProcessor定制分为三个部分,分别是爬虫的配置、页面元素的抽取和链接的发现。
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;
public class CdnRepoPageProcessor implements PageProcessor {
// 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(100);
private static int count =0;
@Override
public Site getSite() {
return site;
}
@Override
// 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) {
page.putField("articleURL",page.getUrl().toString());
page.putField("articleTitle",page.getHtml().xpath("//a[@id=\"cb_post_title_url\"]/text()").get());
if(page.getResultItems().get("articleTitle")== null){
//skip this page
page.setSkip(true);
}else {
System.out.println("抓取的内容:"+ page.getResultItems().get("articleTitle"));
count ++;
}
//加入满足条件的链接
page.addTargetRequests(
//判断链接是否符合http://www.cnblogs.com/任意个数字字母-/p/任意字符.html格式
page.getHtml().xpath("//div[@id=\"post_list\"]").links().regex("https://www.cnblogs.com/[a-z A-Z 0-9 -]+/p/.+.html").all()
);
}
public static void main(String[] args) {
long startTime, endTime;
System.out.println("开始爬取...");
startTime = System.currentTimeMillis();
Spider.create(new CdnRepoPageProcessor())
//从https://www.cnblogs.com开始抓
.addUrl("https://www.cnblogs.com/")
//开启5个线程抓取
.thread(5)
//运行爬虫
.run();
endTime = System.currentTimeMillis();
System.out.println("爬取结束,耗时约" + ((endTime - startTime) / 1000) + "秒,抓取了"+count+"条记录");
}
}
1.1 爬虫的配置
第一部分关于爬虫的配置,包括编码、抓取间隔、超时时间、重试次数等,也包括一些模拟的参数,例如User Agent、cookie,以及代理的设置,会在后续教程中进行介绍。在这里我们先简单设置一下:重试次数为3次,抓取间隔为一秒。
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。CSS选择器我一般不使用,就不介绍了。
-
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("//a[@id=\"cb_post_title_url\"]/text()").get()
这段代码使用了XPath,它的意思是“查找所有class属性为’postTitle’的h1元素,并找到他的a子节点,并提取a节点的文本信息”。 对应的Html是这样子的:
-
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( //判断链接是否符合http://www.cnblogs.com/任意个数字字母-/p/任意多个字符.html格式 page.getHtml().links().regex("https://www.cnblogs.com/[a-z A-Z 0-9 -]+/p/.+.html").all() );
这段代码就用到了正则表达式,它表示匹配所有类似于
https://www.cnblogs.com/fonxian/p/101.html
这样的链接。 -
JsonPath
JsonPath是于XPath很类似的一个语言,它用于从Json中快速定位一条内容。WebMagic中使用的JsonPath格式可以参考这里:https://code.google.com/p/json-path/
1.3 链接的发现
有了处理页面的逻辑,我们的爬虫就接近完工了!
但是现在还有一个问题:一个站点的页面是很多的,一开始我们不可能全部列举出来,于是如何发现后续的链接,是一个爬虫不可缺少的一部分。
page.addTargetRequests(page.getHtml().links().regex("https://www.cnblogs.com/[a-z A-Z 0-9 -]+/p/.+.html").all() );
这段代码的分为两部分,page.getHtml().links().regex("https://www.cnblogs.com/[a-z A-Z 0-9 -]+/p/.+.html").all()
用于获取所有满足"https:/ /www.cnblogs.com/[a-z A-Z 0-9 -]+/p/.+.html"这个正则表达式的链接,page.addTargetRequests()
则将这些链接加入到待抓取的队列中去。
2. 使用Selectable抽取元素
Selectable
相关的抽取元素链式API是WebMagic的一个核心功能。使用Selectable接口,你可以直接完成页面元素的链式抽取,也无需去关心抽取的细节。
在刚才的例子中可以看到,page.getHtml()返回的是一个Html
对象,它实现了Selectable
接口。这个接口包含一些重要的方法,它分为两类:抽取部分和获取结果部分。
2.1 抽取部分API:
方法 | 说明 | 示例 |
---|---|---|
xpath(String xpath) | 使用XPath选择 | html.xpath("//div[@class=‘title’]") |
$(String selector) | 使用Css选择器选择 | html.$(“div.title”) |
$(String selector,String attr) | 使用Css选择器选择 | html.$(“div.title”,“text”) |
css(String selector) | 功能同$(),使用Css选择器选择 | html.css(“div.title”) |
links() | 选择所有链接 | html.links() |
regex(String regex) | 使用正则表达式抽取 | html.regex("(.*?)") |
regex(String regex,int group) | 使用正则表达式抽取,并指定捕获组 | html.regex("(.*?)",1) |
replace(String regex, String replacement) | 替换内容 | html.replace("","") |
这部分抽取API返回的都是一个Selectable
接口,意思是说,抽取是支持链式调用的。下面我用一个实例来讲解链式API的使用。
例如:我现在要抓博客园cnblogs最新博客,直接访问https://www.cnblogs.com/
就可以看到我需要的是中间部分,但是右侧也有推荐博客也有相同的结构。
为了避免抓取范围太宽,我指定只从分页部分即我需要的部分抓取链接。这个抓取规则是比较复杂的,我会要怎么写呢?首先看看我需要的页面html结构如下:
那么我可以先用xpath提取出这个div,然后在取到所有的链接。为了保险起见,我再使用正则表达式限定一下提取出的URL的格式,那么最终的写法是这样子的:
page.addTargetRequests( page.getHtml().xpath("//div[@id=\"post_list\"]").links().regex("https://www.cnblogs.com/[a-z A-Z 0-9 -]+/p/.+.html").all());
和上面的写法进行比较,其实就加了一个限定条件,并且是链式的,很方便。
2.2 获取结果的API:
当链式调用结束时,我们一般都想要拿到一个字符串类型的结果。这时候就需要用到获取结果的API了。我们知道,一条抽取规则,无论是XPath、CSS选择器或者正则表达式,总有可能抽取到多条元素。WebMagic对这些进行了统一,你可以通过不同的API获取到一个或者多个元素。
方法 | 说明 | 示例 |
---|---|---|
get() | 返回一条String类型的结果 | String link= html.links().get() |
toString() | 功能同get(),返回一条String类型的结果 | String link= html.links().toString() |
all() | 返回所有抽取结果 | List links= html.links().all() |
match() | 是否有匹配结果 | if (html.links().match()){ xxx; } |
例如,我们知道页面只会有一条结果,那么可以使用selectable.get()或者selectable.toString()拿到这条结果。
这里selectable.toString()采用了toString()这个接口,是为了在输出以及和一些框架结合的时候,更加方便。因为一般情况下,我们都只需要选择一个元素!
selectable.all()则会获取到所有元素。
好了,到现在为止,在回过头看看CdnRepoPageProcessor
,可能就觉得更加清晰了吧?指定main方法,已经可以看到抓取结果在控制台输出了。