WebMagic基础与Maven管理依赖
Posted 疯疯敲代码
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了WebMagic基础与Maven管理依赖相关的知识,希望对你有一定的参考价值。
2. 快速开始
WebMagic主要包含两个jar包:webmagic-core-{version}.jar
和webmagic-extension-{version}.jar
。在项目中添加这两个包的依赖,即可使用WebMagic。
WebMagic默认使用Maven管理依赖,但是你也可以不依赖Maven进行使用。
2.1 使用Maven
WebMagic基于Maven进行构建,推荐使用Maven来安装WebMagic。在你自己的项目(已有项目或者新建一个)中添加以下坐标即可:
-
<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>
-
</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。
-
<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>
在你的项目中添加了WebMagic的依赖之后,即可开始第一个爬虫的开发了!我们这里拿一个抓取Github信息的例子:
-
import us.codecraft.webmagic.Page;
-
import us.codecraft.webmagic.Site;
-
import us.codecraft.webmagic.Spider;
-
import us.codecraft.webmagic.processor.PageProcessor;
-
-
public class GithubRepoPageProcessor implements PageProcessor {
-
-
private Site site = Site.me().setRetryTimes(3).setSleepTime(100);
-
-
-
public void process(Page page) {
-
page.addTargetRequests(page.gethtml().links().regex("(https://github\.com/\w+/\w+)").all());
-
page.putField("author", page.getUrl().regex("https://github\.com/(\w+)/.*").toString());
-
page.putField("name", page.getHtml().xpath("//h1[@class=‘entry-title public‘]/strong/a/text()").toString());
-
if (page.getResultItems().get("name")==null){
-
//skip this page
-
page.setSkip(true);
-
}
-
page.putField("readme", page.getHtml().xpath("//div[@id=‘readme‘]/tidyText()"));
-
}
-
-
-
public Site getSite() {
-
return site;
-
}
-
-
public static void main(String[] args) {
-
Spider.create(new GithubRepoPageProcessor()).addUrl("https://github.com/code4craft").thread(5).run();
-
}
-
}
点击main方法,选择“运行”,你会发现爬虫已经可以正常工作了!
-
以上是关于WebMagic基础与Maven管理依赖的主要内容,如果未能解决你的问题,请参考以下文章