这篇文章主要介绍“WebMagic爬虫知识点有哪些”，在日常操作中，相信很多人在WebMagic爬虫知识点有哪些问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”WebMagic爬虫知识点有哪些”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！
WebMagic的四个组件 1.Downloader Downloader负责从互联网上下载页面，以便后续处理。WebMagic默认使用了Apache HttpClient作为下载工具。
2.PageProcessor PageProcessor负责解析页面，抽取有用信息，以及发现新的链接。WebMagic使用Jsoup作为HTML解析工具，并基于其开发了解析XPath的工具Xsoup。
在这四个组件中，PageProcessor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。
3.Scheduler Scheduler负责管理待抓取的URL，以及一些去重的工作。WebMagic默认提供了JDK的内存队列来管理URL，并用集合来进行去重。也支持使用Redis进行分布式管理。
除非项目有一些特殊的分布式需求，否则无需自己定制Scheduler。
4.Pipeline Pipeline负责抽取结果的处理，包括计算、持久化到文件、数据库等。WebMagic默认提供了“输出到控制台”和“保存到文件”两种结果处理方案。
Pipeline定义了结果保存的方式，如果你要保存到指定数据库，则需要编写对应的Pipeline。对于一类需求一般只需编写一个Pipeline。
爬的是虎嗅的文章
<!-- webmagic 网络爬虫jar --> <dependency> <groupId>us.codecraft</groupId> <artifactId>webmagic-extension</artifactId> <version>0.7.3</version> </dependency> <dependency> <groupId>us.codecraft</groupId> <artifactId>webmagic-core</artifactId> <version>0.7.3</version> </dependency>
package com.jinguanjia.app.exercise.spider;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.proxy.Proxy;
import us.codecraft.webmagic.proxy.SimpleProxyProvider;
/**
* @author fengpuchao
* @date 2019年7月1日
*/
public class Main {
public static void main(String[] args){
SimpleHttpClientDownloader httpClientDownloader = new SimpleHttpClientDownloader();
httpClientDownloader.setProxyProvider(
SimpleProxyProvider.from(new Proxy("101.101.101.101", 8888), new Proxy("102.102.102.102", 8888)));
//设置处理器
Spider.create(new HuXiuPageProcessor())
//设置其实url
.addUrl("https://www.huxiu.com")
//处理数据的pipeline
.addPipeline(new DataHandlerPipeline())
//下載器 設置代理
// .setDownloader(httpClientDownloader)
//調度用的，可以處理url
// .setScheduler(scheduler)
// 设置线程数
.thread(5)
.run();
}
}package com.jinguanjia.app.exercise.spider;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.downloader.HttpClientDownloader;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.proxy.Proxy;
import us.codecraft.webmagic.proxy.SimpleProxyProvider;
/**
* @author fengpuchao
* @date 2019年7月1日
*/
public class HuXiuPageProcessor implements PageProcessor {
/**
* 设置抓取网站的相关配置
* 重试3次
* 1s中抓取一次
*/
private Site site = Site.me().setRetryTimes(3).setSleepTime(1000);
@Override
public Site getSite() {
return site;
}
@Override
public void process(Page page) {
/**
* page.getHtml() 提供了很多方法读取内容
*/
page.addTargetRequests(page.getHtml().links().regex("(https://www.huxiu.com/article/[\\[0-9]+.html)").all());
page.putField("title", page.getHtml().css("div.wrap-left.pull-left > div.article-wrap > h2","text"));
if(page.getResultItems().get("title") == null){
page.setSkip(true);
}
page.putField("portal", page.getHtml().css("div.wrap-left.pull-left > div.article-wrap > div.article-img-box > img","src"));
page.putField("createTime", page.getHtml().css("div.wrap-left.pull-left > div.article-wrap > div.article-author > div > span.article-time.pull-left","text"));
// page.putField("content", page.getHtml().css("div.article-section-wrap > div.article-section > div.container > div.wrap-left> div.article-wrap > div.article-content-wrap","tidyText"));
page.putField("content", page.getHtml().xpath("//*[@class='article-content-wrap']//tidyText()"));
page.putField("images", page.getHtml().css("img","src").all());
}
}package com.jinguanjia.app.exercise.spider;
import java.util.List;
import org.apache.commons.collections.CollectionUtils;
import us.codecraft.webmagic.ResultItems;
import us.codecraft.webmagic.Task;
import us.codecraft.webmagic.pipeline.Pipeline;
/**
* @author fengpuchao
* @date 2019年7月1日
*/
public class DataHandlerPipeline implements Pipeline {
private int count = 0;
@Override
public void process(ResultItems item, Task task) {
try{
System.out.println("文章标题：" + item.get("title"));
System.out.println("文章portal：" + item.get("portal"));
System.out.println("文章创建时间：" + item.get("createTime"));
// System.out.println("文章内容：" + item.get("content"));
System.out.println("第几篇文章:" + count ++ );
List<String> images = (List)item.get("images");
if(!CollectionUtils.isEmpty(images)){
for(String str:images){
ImageDownloader.download(str, System.currentTimeMillis()+ ".jpg", "D://images");
}
}
}catch(Exception e){
e.printStackTrace();
}
}
}package com.jinguanjia.app.exercise.spider;
import us.codecraft.webmagic.downloader.HttpClientDownloader;
/**
* @author fengpuchao
* @date 2019年7月1日
*/
public class SimpleHttpClientDownloader extends HttpClientDownloader {
}package com.jinguanjia.app.exercise.spider;
import java.io.File;
import java.io.FileOutputStream;
import java.io.InputStream;
import java.io.OutputStream;
import java.net.URL;
import java.net.URLConnection;
import com.alibaba.druid.util.StringUtils;
/**
* @author fengpuchao
* @date 2019年7月2日
*/
public class ImageDownloader {
public static void download(String netUrl, String filename, String savePath) throws Exception {
if (StringUtils.isEmpty(netUrl) || StringUtils.isEmpty(filename) || StringUtils.isEmpty(savePath)) {
return;
}
URL url = new URL(netUrl);
URLConnection con = url.openConnection();
con.setConnectTimeout(5 * 1000);
try {
InputStream is = con.getInputStream();
// 1K的数据缓冲
byte[] bs = new byte[1024];
// 读取到的数据长度
int len;
// 输出的文件流
File sf = new File(savePath);
if (!sf.exists()) {
sf.mkdirs();
}
OutputStream os = new FileOutputStream(sf.getPath() + "\\" + filename);
try {
while ((len = is.read(bs)) != -1) {
os.write(bs, 0, len);
}
} catch (Exception e) {
e.printStackTrace();
} finally {
if (os != null) {
os.close();
}
if (is != null) {
is.close();
}
}
} catch (Exception e) {
e.printStackTrace();
}
}
}在开始爬取之前，您必须创建一个新的Scrapy项目。 进入您打算存储代码的目录中，运行下列命令:
scrapy startproject my_spider
该命令将会创建包含下列内容的 tutorial 目录:
my_spider/ scrapy.cfg my_spider/ __init__.py items.py pipelines.py settings.py spiders/ __init__.py ...
这些文件分别是:
scrapy.cfg: 项目的配置文件
my_spider/: 该项目的python模块。之后您将在此加入代码。
my_spider/items.py: 项目中的item文件.
my_spider/pipelines.py: 项目中的pipelines文件.
my_spider/settings.py: 项目的设置文件.
my_spider/spiders/: 放置spider代码的目录.
Item 是保存爬取到的数据的容器；其使用方法和python字典类似， 并且提供了额外保护机制来避免拼写错误导致的未定义字段错误。
类似在ORM中做的一样，您可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field 的类属性来定义一个Item。 (如果不了解ORM, 不用担心，您会发现这个步骤非常简单)
首先根据需要从dmoz.org获取到的数据对item进行建模。 我们需要从dmoz中获取名字，url，以及网站的描述。 对此，在item中定义相应的字段。编辑 tutorial 目录中的 items.py 文件:
import scrapy class MySpiderItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() name = scrapy.Field() title = scrapy.Field() info = scrapy.Field()
一开始这看起来可能有点复杂，但是通过定义item， 您可以很方便的使用Scrapy的其他方法。而这些方法需要知道您的item的定义。
在 spiders 目录下创建文件MainSpider.py ，代码内容如下：
# -*- coding: utf-8 -*-
import scrapy
from my_spider.items import MySpiderItem
class MainSpider(scrapy.Spider):
# 用于区分别的Spider，名字必须唯一
name = "itcast"
# 允许搜索的域名范围
allowed_domains = ['itcast.com']
# 启动初始爬取的url
start_urls = {
"http://www.itcast.cn/channel/teacher.shtml",
}
# 是spider的一个方法。 被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。 该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象
def parse(self,response):
items = []
for each in response.xpath("//div[@class='li_txt']"):
# 将我们得到的数据封装到一个 `ItcastItem` 对象
item = MySpiderItem()
# extract()方法返回的都是unicode字符串
name = each.xpath("h4/text()").extract()
title = each.xpath("h5/text()").extract()
info = each.xpath("p/text()").extract()
# xpath返回的是包含一个元素的列表
item['name'] = name[0]
item['title'] = title[0]
item['info'] = info[0]
items.append(item)
# 直接返回最后数据
return itemssettings.py文件设置utf-8编码
ROBOTSTXT_OBEY = False
在 my_spider目录下运行爬虫，输出到 teachers.json 文件中
scrapy crawl itcast -o teachers.json
到此，关于“WebMagic爬虫知识点有哪些”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注亿速云网站，小编会继续努力为大家带来更多实用的文章！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
