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}.jarwebmagic-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:

  1.  
    <dependency>
  2.  
    <groupId>us.codecraft</groupId>
  3.  
    <artifactId>webmagic-core</artifactId>
  4.  
    <version>0.7.3</version>
  5.  
    </dependency>
  6.  
    <dependency>
  7.  
    <groupId>us.codecraft</groupId>
  8.  
    <artifactId>webmagic-extension</artifactId>
  9.  
    <version>0.7.3</version>
  10.  
    </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。

  1.  
    <dependency>
  2.  
    <groupId>us.codecraft</groupId>
  3.  
    <artifactId>webmagic-extension</artifactId>
  4.  
    <version>0.7.3</version>
  5.  
    <exclusions>
  6.  
    <exclusion>
  7.  
    <groupId>org.slf4j</groupId>
  8.  
    <artifactId>slf4j-log4j12</artifactId>
  9.  
    </exclusion>
  10.  
    </exclusions>
  11.  
    </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:

    1.  
      import us.codecraft.webmagic.Page;
    2.  
      import us.codecraft.webmagic.Site;
    3.  
      import us.codecraft.webmagic.Spider;
    4.  
      import us.codecraft.webmagic.processor.PageProcessor;
    5.  
       
    6.  
      public class GithubRepoPageProcessor implements PageProcessor {
    7.  
       
    8.  
      private Site site = Site.me().setRetryTimes(3).setSleepTime(100);
    9.  
       
    10.  
      @Override
    11.  
      public void process(Page page) {
    12.  
      page.addTargetRequests(page.gethtml().links().regex("(https://github\.com/\w+/\w+)").all());
    13.  
      page.putField("author", page.getUrl().regex("https://github\.com/(\w+)/.*").toString());
    14.  
      page.putField("name", page.getHtml().xpath("//h1[@class=‘entry-title public‘]/strong/a/text()").toString());
    15.  
      if (page.getResultItems().get("name")==null){
    16.  
      //skip this page
    17.  
      page.setSkip(true);
    18.  
      }
    19.  
      page.putField("readme", page.getHtml().xpath("//div[@id=‘readme‘]/tidyText()"));
    20.  
      }
    21.  
       
    22.  
      @Override
    23.  
      public Site getSite() {
    24.  
      return site;
    25.  
      }
    26.  
       
    27.  
      public static void main(String[] args) {
    28.  
      Spider.create(new GithubRepoPageProcessor()).addUrl("https://github.com/code4craft").thread(5).run();
    29.  
      }
    30.  
      }

    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

Maven基础-03-笔记

Maven基础-03-笔记

java 之webmagic 网络爬虫

Maven基础

Maven:Maven_02:依赖管理与冲突解决及项目继承聚合

基础补漏之Maven项目管理