WebMagic爬虫知识点有哪些
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!
成都创新互联是一家网站设计制作、网站设计,提供网页设计,网站设计,网站制作,建网站,按需网站策划,网站开发公司,从2013年成立是互联行业建设者,服务者。以提升客户品牌价值为核心业务,全程参与项目的网站策划设计制作,前端开发,后台程序制作以及后期项目运营并提出专业建议和思路。
爬虫架构
WebMagic的四个组件1.DownloaderDownloader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.PageProcessorPageProcessor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.SchedulerScheduler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.PipelinePipeline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。
代码示例
Webmagic
爬的是虎嗅的文章
pom依赖
us.codecraft webmagic-extension 0.7.3 us.codecraft webmagic-core 0.7.3
Main
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(); } }
HuXiuPageProcessor
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()); } }
DataHandlerPipeline
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 ++ ); Listimages = (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(); } } }
SimpleHttpClientDownloader
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 { }
ImageDownloader
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(); } } }
Scrapy
创建应用
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.
定义Item
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。
创建爬虫
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 items
settings.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,请继续关注创新互联网站,小编会继续努力为大家带来更多实用的文章!
当前题目:WebMagic爬虫知识点有哪些
URL链接:http://pwwzsj.com/article/pesscs.html