WebMagic框架总结

Posted

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框架总结相关的知识,希望对你有一定的参考价值。

一下是博主收藏的第一个WebMagic框架爬虫示例

推荐网站: http://webmagic.io/docs/zh/posts/ch4-basic-page-processor/pageprocessor.html

 

public class GithubRepoPageProcessor implements PageProcessor {

    // 部分一:抓取网站的相关配置,包括编码、抓取间隔、重试次数等
    private Site site = Site.me().setRetryTimes(3).setSleepTime(1000);

    @Override
    // process是定制爬虫逻辑的核心接口,在这里编写抽取逻辑
    public void process(Page page) {
        // 部分二:定义如何抽取页面信息,并保存下来
        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()"));

        // 部分三:从页面发现后续的url地址来抓取
        page.addTargetRequests(page.getHtml().links().regex("(https://github\\.com/[\\w\\-]+/[\\w\\-]+)").all());
    }

    @Override
    public Site getSite() {
        return site;
    }

    public static void main(String[] args) {

        Spider.create(new GithubRepoPageProcessor())
                //从"https://github.com/code4craft"开始抓
                .addUrl("https://github.com/code4craft")
                //开启5个线程抓取
                .thread(5)
                //启动爬虫
                .run();
    }
}

以上是关于WebMagic框架总结的主要内容,如果未能解决你的问题,请参考以下文章

WebMagic爬虫Demo

大数据采集:爬虫框架之WebMagic的基本使用

JAVA爬虫实践(实践三:爬虫框架webMagic和csdnBlog爬虫)

爬虫学习之webmagic源码剖析

JAVA 爬虫框架webmagic

WebMagic 爬虫框架 注解用法