java爬虫框架webmagic包含什么组件

这篇文章主要介绍了java爬虫框架webmagic包含什么组件，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。

Java的优点是什么

1. 简单，只需理解基本的概念，就可以编写适合于各种情况的应用程序；2. 面向对象；3. 分布性，Java是面向网络的语言；4. 鲁棒性，java提供自动垃圾收集来进行内存管理，防止程序员在管理内存时容易产生的错误。；5. 安全性，用于网络、分布环境下的Java必须防止病毒的入侵。6. 体系结构中立，只要安装了Java运行时系统，就可在任意处理器上运行。7. 可移植性，Java可以方便地移植到网络上的不同机器。8.解释执行，Java解释器直接对Java字节码进行解释执行。

在java爬虫中，Spider是一个大的容器，也是java爬虫框架webmagic的核心。java爬虫框架webmagic有四个组件，这四个组件它也是由通过Spider启动和管理。本文介绍java爬虫中支撑WebMagic框架运行的四个组件：PageProcessor、Scheduler、Downloader和Pipeline。

一、WebMagic框架

WebMagic是一个开源的Java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框架的核心非常简单，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。

二、WebMagic框架组件

包含四个组件：PageProcessor、Scheduler、Downloader和Pipeline。

四大组件由Spider将它们彼此组织起来，让它们可以互相交互，流程化的执行。

1、PageProcessor 

对应爬虫生命周期中的处理功能，负责解析页面，抽取有用信息，以及发现新的链接。需要自己定义。

注意：对于每个站点每个页面都不一样，是需要使用者定制的部分。

2、Scheduler 

这四大组件对应爬虫生命周期中的管理功能，负责管理待抓取的URL，以及一些去重的工作。

注意：除非项目有一些特殊的分布式需求，否则一般无需自己定制Scheduler。

3、Pipeline 

对应爬虫生命周期中的持久化功能，负责抽取结果的处理，包括计算、持久化到文件、数据库等。

注意：对于一类需求一般只需编写一个Pipeline。

4、Downloader 

对应爬虫生命周期中的下载功能，负责从互联网上下载页面，以便后续处理。

注意：一般无需自己实现。

感谢你能够认真阅读完这篇文章，希望小编分享的“java爬虫框架webmagic包含什么组件”这篇文章对大家有帮助，同时也希望大家多多支持亿速云，关注亿速云行业资讯频道，更多相关知识等着你来学习!