阿布云

你所需要的，不仅仅是一个好用的代理。

二次开发的爬虫框架

发表于 2018-03-16

ebmagic 是一个开源的 Java 垂直爬虫框架，目标是简化爬虫的开发流程，让开发者专注于逻辑功能的开发。webmagic 的核心非常简单，但是覆盖爬虫的整个流程，也是很好的学习爬虫开发的材料。

webmagic 的主要特色：

完全模块化的设计，强大的可扩展性。
核心简单但是涵盖爬虫的全部流程，灵活而强大，也是学习爬虫入门的好材料。
提供丰富的抽取页面 API。
无配置，但是可通过 POJO + 注解形式实现一个爬虫。
支持多线程。
支持分布式。
支持爬取 js 动态渲染的页面。
无框架依赖，可以灵活的嵌入到项目中去。

webmagic 的架构和设计参考了以下两个项目，感谢以下两个项目的作者：

python 爬虫 scrapy https://github.com/scrapy/scrapy

Java 爬虫 Spiderman http://git.oschina.net/l-weiwei/spiderman

webmagic 的 github 地址：https://github.com/code4craft/webmagic。

快速开始

使用 maven

webmagic 使用 maven 管理依赖，在项目中添加对应的依赖即可使用 webmagic：

<dependency> <groupId>us.codecraft</groupId> <artifactId>webmagic-core</artifactId> <version>0.6.1</version> </dependency> <dependency> <groupId>us.codecraft</groupId> <artifactId>webmagic-extension</artifactId> <version>0.6.1</version> </dependency>

<groupId>us.codecraft</groupId>

<artifactId>webmagic-core</artifactId>

</dependency>

<groupId>us.codecraft</groupId>

<artifactId>webmagic-extension</artifactId>

</dependency>

WebMagic 使用 slf4j-log4j12 作为 slf4j 的实现. 如果你自己定制了 slf4j 的实现，请在项目中去掉此依赖。

</exclusion>

</exclusions>

项目结构

webmagic 主要包括两个包：

webmagic-core
webmagic 核心部分，只包含爬虫基本模块和基本抽取器。webmagic-core 的目标是成为网页爬虫的一个教科书般的实现。
webmagic-extension
webmagic 的扩展模块，提供一些更方便的编写爬虫的工具。包括注解格式定义爬虫、JSON、分布式等支持。

webmagic 还包含两个可用的扩展包，因为这两个包都依赖了比较重量级的工具，所以从主要包中抽离出来，这些包需要下载源码后自己编译：：

webmagic-saxon
webmagic 与 Saxon 结合的模块。Saxon 是一个 XPath、XSLT 的解析工具，webmagic 依赖 Saxon 来进行 XPath2.0 语法解析支持。
webmagic-selenium
webmagic 与 Selenium 结合的模块。Selenium 是一个模拟浏览器进行页面渲染的工具，webmagic 依赖 Selenium 进行动态页面的抓取。

在项目中，你可以根据需要依赖不同的包。

不使用 maven

在项目的 lib 目录下，有依赖的所有 jar 包，直接在 IDE 里 import 即可。

第一个爬虫

定制 PageProcessor

PageProcessor 是 webmagic-core 的一部分，定制一个 PageProcessor 即可实现自己的爬虫逻辑。以下是抓取 osc 博客的一段代码：

public class OschinaBlogPageProcesser implements PageProcessor { private Site site = Site.me().setDomain("my.oschina.net"); @Override public void process(Page page) { List<String> links = page.getHtml().links().regex("http://my\\.oschina\\.net/flashsword/blog/\\d+").all(); page.addTargetRequests(links); page.putField("title", page.getHtml().xpath("//div[@class='BlogEntity']/div[@class='BlogTitle']/h1").toString()); page.putField("content", page.getHtml().$("div.content").toString()); page.putField("tags",page.getHtml().xpath("//div[@class='BlogTags']/a/text()").all()); } @Override public Site getSite() { return site; } public static void main(String[] args) { Spider.create(new OschinaBlogPageProcesser()).addUrl("http://my.oschina.net/flashsword/blog") .addPipeline(new ConsolePipeline()).run(); } }

private Site site = Site.me().setDomain("my.oschina.net");

@Override

public void process(Page page) {

List<String> links = page.getHtml().links().regex("http://my\\.oschina\\.net/flashsword/blog/\\d+").all();

page.addTargetRequests(links);

page.putField("title", page.getHtml().xpath("//div[@class='BlogEntity']/div[@class='BlogTitle']/h1").toString());

page.putField("content", page.getHtml().$("div.content").toString());

page.putField("tags",page.getHtml().xpath("//div[@class='BlogTags']/a/text()").all());

}

@Override

public Site getSite() {

return site;

}

public static void main(String[] args) {

Spider.create(new OschinaBlogPageProcesser()).addUrl("http://my.oschina.net/flashsword/blog")

.addPipeline(new ConsolePipeline()).run();

}

这里通过 page.addTargetRequests() 方法来增加要抓取的 URL，并通过 page.putField() 来保存抽取结果。page.getHtml().xpath() 则是按照某个规则对结果进行抽取，这里抽取支持链式调用。调用结束后，toString() 表示转化为单个 String，all() 则转化为一个 String 列表。

Spider 是爬虫的入口类。Pipeline 是结果输出和持久化的接口，这里 ConsolePipeline 表示结果输出到控制台。

执行这个 main 方法，即可在控制台看到抓取结果。webmagic 默认有 3 秒抓取间隔，请耐心等待。

使用注解

webmagic-extension 包括了注解方式编写爬虫的方法，只需基于一个 POJO 增加注解即可完成一个爬虫。以下仍然是抓取 oschina 博客的一段代码，功能与 OschinaBlogPageProcesser 完全相同：

@TargetUrl("http://my.oschina.net/flashsword/blog/\\d+") public class OschinaBlog { @ExtractBy("//title") private String title; @ExtractBy(value = "div.BlogContent",type = ExtractBy.Type.Css) private String content; @ExtractBy(value = "//div[@class='BlogTags']/a/text()", multi = true) private List<String> tags; public static void main(String[] args) { OOSpider.create( Site.me(), new ConsolePageModelPipeline(), OschinaBlog.class).addUrl("http://my.oschina.net/flashsword/blog").run(); } }

@TargetUrl("http://my.oschina.net/flashsword/blog/\\d+")

public class OschinaBlog {

@ExtractBy("//title")

private String title;

@ExtractBy(value = "div.BlogContent",type = ExtractBy.Type.Css)

private String content;

@ExtractBy(value = "//div[@class='BlogTags']/a/text()", multi = true)

private List<String> tags;

OOSpider.create(

Site.me(),

new ConsolePageModelPipeline(), OschinaBlog.class).addUrl("http://my.oschina.net/flashsword/blog").run();

}

这个例子定义了一个 Model 类，Model 类的字段’title’、’content’、’tags’均为要抽取的属性。这个类在 Pipeline 里是可以复用的。

详细文档

见 http://webmagic.io/docs/。

抓取过于频繁，服务器返回429.这个时候需要切换代理IP了，推荐使用阿布云代理,阿布云代理IP,提供高匿代理,爬虫代理.

新闻中心