来自 APP下载 2019-10-03 20:05 的文章
当前位置: 新萄京娱乐手机版 > APP下载 > 正文

爬取列表类网站文章

爬取列表类网址例子

列表爬取的沉思都很临近,首先判断是还是不是为列表页,假设的话将小说url参与爬取队列,不是的话就意味着此时为小说页,直接爬取你要的剧情就足以。

挑选八个列表类小说的网址:

APP下载 1

首先决断是小说依旧列表,查看多少个页面后方可找到规律,利用正则表明式区分。

page.getUrl().regex("https://voice\.hupu\.com/nba/[0-9]{7}\.html").match()

假使满意上边的正则表明式,则该url对应的是叁个稿子页面。

接下去要对急需爬取的原委张开抽出,作者选用了xPath(浏览器自带直接粘贴就足以)。

APP下载 2

WebMagic框架帮助多样抽出格局,蕴含xPath、css采用器、正则表明式,还足以通过links()方法选取具备链接。

切记抽出此前要得到通过getHtml()来获得html对象,通过html对象来使用抽出方法。

ps:WebMagic好像不帮忙xPath中的last()方法,固然用到的话能够想其余措施取代。

下一场使用page.putFiled(String key, Object field)办法来将您想要的开始和结果放到三个键值对中。

page.putField("Title", page.getHtml().xpath("/html/body/div[4]/div[1]/div[1]/h1/text()").toString());
page.putField("Content", page.getHtml().xpath("/html/body/div[4]/div[1]/div[2]/div/div[2]/p/text()").all().toString());

假定不满意文章页的正则,就认证那是三个列表页,此时要由此xPath来牢固页面中文章的url。

APP下载 3

page.getHtml().xpath("/html/body/div[3]/div[1]/div[2]/ul/li/div[1]/h4/a/@href").all();

此刻,你早就获取要爬取url的list,把她们经过addTargetRequests措施加入到行列中就能够。

最终完结翻页,同理,WebMagic会自动增多到爬取队列中。

APP下载 4

page.getHtml().xpath("/html/body/div[3]/div[1]/div[3]/a[@class='page-btn-prev']/@href").all()

上面是完好代码,自个儿达成了二个MysqlPipeline类,用到了Mybatis,能够将爬下来的多寡直接漫长化到数据库中。

也能够用自带的ConsolePipeline也许FilePipeline等。

package edu.heu.spider;

import java.io.IOException;
import java.io.InputStream;
import java.util.Iterator;
import java.util.Map;
import java.util.Map.Entry;

import org.apache.ibatis.io.Resources;
import org.apache.ibatis.session.SqlSession;
import org.apache.ibatis.session.SqlSessionFactory;
import org.apache.ibatis.session.SqlSessionFactoryBuilder;

import edu.heu.domain.News;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.ResultItems;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.Task;
import us.codecraft.webmagic.pipeline.Pipeline;
import us.codecraft.webmagic.processor.PageProcessor;

/**
 * @ClassName: HupuNewsSpider
 * @author LJH
 * @date 2017年11月27日 下午4:54:48
 */
public class HupuNewsSpider 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);

    public Site getSite() {
        return site;
    }

    public void process(Page page) {
        // 文章页,匹配 https://voice.hupu.com/nba/七位数字.html
        if (page.getUrl().regex("https://voice\.hupu\.com/nba/[0-9]{7}\.html").match()) {
            page.putField("Title", page.getHtml().xpath("/html/body/div[4]/div[1]/div[1]/h1/text()").toString());
            page.putField("Content",
                    page.getHtml().xpath("/html/body/div[4]/div[1]/div[2]/div/div[2]/p/text()").all().toString());
        }
        // 列表页
        else {
            // 文章url
            page.addTargetRequests(
                    page.getHtml().xpath("/html/body/div[3]/div[1]/div[2]/ul/li/div[1]/h4/a/@href").all());
            // 翻页url
            page.addTargetRequests(
                    page.getHtml().xpath("/html/body/div[3]/div[1]/div[3]/a[@class='page-btn-prev']/@href").all());
        }
    }

    public static void main(String[] args) {
        Spider.create(new HupuNewsSpider()).addUrl("https://voice.hupu.com/nba/1").addPipeline(new MysqlPipeline())
                .thread(3).run();
    }
}

// 自定义实现Pipeline接口
class MysqlPipeline implements Pipeline {

    public MysqlPipeline() {
    }

    public void process(ResultItems resultitems, Task task) {
        Map<String, Object> mapResults = resultitems.getAll();
        Iterator<Entry<String, Object>> iter = mapResults.entrySet().iterator();
        Map.Entry<String, Object> entry;
        // 输出到控制台
        while (iter.hasNext()) {
            entry = iter.next();
            System.out.println(entry.getKey() + ":" + entry.getValue());
        }
        // 持久化
        News news = new News();
        if (!mapResults.get("Title").equals("")) {
            news.setTitle((String) mapResults.get("Title"));
            news.setContent((String) mapResults.get("Content"));
        }
        try {
            InputStream is = Resources.getResourceAsStream("conf.xml");
            SqlSessionFactory sessionFactory = new SqlSessionFactoryBuilder().build(is);
            SqlSession session = sessionFactory.openSession();
            session.insert("add", news);
            session.commit();
            session.close();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

翻开数据库:

APP下载 5

爬好的数量现已静静地躺在数据库中了。

法定文书档案中还介绍了经过评释来兑现各样作用,特别方便灵活。

选用xPath时要小心,框架我自定义了多少个函数:

Expression Description XPath1.0
text(n) 第n个直接文本子节点,为0表示所有 text() only
allText() 所有的直接和间接文本子节点 not support
tidyText() 所有的直接和间接文本子节点,并将一些标签替换为换行,使纯文本显示更整洁 not support
html() 内部html,不包括标签的html本身 not support
outerHtml() 内部html,包括标签的html本身 not support
regex(@attr,expr,group) 这里@attr和group均可选,默认是group0 not support

 使用起来很有利。


转发请表明原来的文章链接:

条件布署

行使Maven来增添注重的jar包。

<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>
    <exclusions>
        <exclusion>
            <groupId>org.slf4j</groupId>
            <artifactId>slf4j-log4j12</artifactId>
        </exclusion>
    </exclusions>
</dependency>

抑或直接摸我下载。

增进完jar包就形成了具有企图干活,是还是不是很轻易。

上面来测量检验一下。

package edu.heu.spider;

import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.pipeline.ConsolePipeline;
import us.codecraft.webmagic.processor.PageProcessor;

/**
 * @ClassName: MyCnblogsSpider
 * @author LJH
 * @date 2017年11月26日 下午4:41:40
 */
public class MyCnblogsSpider implements PageProcessor {

    private Site site = Site.me().setRetryTimes(3).setSleepTime(100);

    public Site getSite() {
        return site;
    }

    public void process(Page page) {
        if (!page.getUrl().regex("http://www.cnblogs.com/[a-z 0-9 -]+/p/[0-9]{7}.html").match()) {
            page.addTargetRequests(
                    page.getHtml().xpath("//*[@id="mainContent"]/div/div/div[@class="postTitle"]/a/@href").all());
        } else {
            page.putField(page.getHtml().xpath("//*[@id="cb_post_title_url"]/text()").toString(),
                    page.getHtml().xpath("//*[@id="cb_post_title_url"]/@href").toString());
        }
    }

    public static void main(String[] args) {
        Spider.create(new MyCnblogsSpider()).addUrl("http://www.cnblogs.com/justcooooode/")
                .addPipeline(new ConsolePipeline()).run();
    }
}

输出结果:

APP下载 6

要是你和本身同一从前从未用过log4j,恐怕会冒出下边包车型大巴告诫:

APP下载 7

那是因为少了安插文件,在resource目录下新建log4j.properties文件,将上面配置音讯粘贴进去就可以。

APP下载,目录能够定义成你本身的公文夹。

# 全局日志级别设定 ,file
log4j.rootLogger=INFO, stdout, file

# 自定义包路径LOG级别
log4j.logger.org.quartz=WARN, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d{MM-dd HH:mm:ss}[%p]%m%n

# Output to the File
log4j.appender.file=org.apache.log4j.FileAppender
log4j.appender.file.File=D:\MyEclipse2017Workspaces\webmagic\webmagic.log
log4j.appender.file.layout=org.apache.log4j.PatternLayout
log4j.appender.file.layout.ConversionPattern=%n%-d{MM-dd HH:mm:ss}-%C.%M()%n[%p]%m%n

今后试一下,未有警示了吧。

仿效资料 

法定文书档案:

xPath教程:

WebMagic框架简要介绍

WebMagic框架包罗多少个零件,PageProcessorSchedulerDownloaderPipeline。

那四大组件对应爬虫生命周期中的处理管理下载持久化等功能。

那多少个零部件都是Spider中的属性,爬虫框架通过Spider运维和保管。

WebMagic总体架构图如下:

APP下载 8

用来数据流转的靶子

Request 是对U揽胜极光L地址的一层封装,三个Request对应二个UQashqaiL地址。

Page 代表了从Downloader下载到的三个页面——恐怕是HTML,也只怕是JSON大概其它文本格式的剧情。

ResultItems 也就是三个Map,它保存PageProcessor管理的结果,供Pipeline使用。

 初学爬虫,WebMagic作为贰个Java开拓的爬虫框架很轻巧上手,上面就因而三个归纳的小例子来看一下。

四大组件

PageProcessor 担负分析页面,抽出有用消息,以及开采新的链接。须求团结定义。

Scheduler 顶住管理待抓取的U大切诺基L,以及部分去重的做事。平常不要求和煦定制Scheduler。

Pipeline 担负抽出结果的拍卖,包含总计、漫长化到文件、数据库等。

Downloader 担任从网络络下载页面,以便后续管理。日常无需和睦达成。

本文由新萄京娱乐手机版发布于APP下载,转载请注明出处:爬取列表类网站文章

关键词: