Webcollector应用

Posted 2020-06-26 李闹闹童鞋的博客

　　webcollector是一个开源的Java网络爬虫框架。最近的爬虫改用java写了，对这一周的工作进行简要总结。对于内部机制了解不深入，主要侧重在应用。

一、环境搭建

　　需要安装一个webcollector的jar包，从官网上下载bin文件，解压，根据不同IDE的安装方式进行安装即可。

　　https://github.com/CrawlScript/WebCollector

　　关于使用，官网上提供了很多的例子，从GitHub上将整个Webcollector的工程下载下来，参照进行编码。

　　

　　我直接在官方提供的工程上面建了个文件夹，进行编码。

二、基本使用

　　两个class，一个Model，一个抓取

　　1、Model类——封装了要抓取的那些字段

 1 package cn.edu.hfut.dmic.webcollector.example.myCrawler.test;
 2 
 3 public class TongModel {
 4     String fullName;
 5     String shortName;
 6     String time;
 7     public String getFullName() {
 8         return fullName;
 9     }
10 
11     public void setFullName(String fullName) {
12         this.fullName = fullName;
13     }
14 
15     public String getShortName() {
16         return shortName;
17     }
18 
19     public void setShortName(String shortName) {
20         this.shortName = shortName;
21     }
22 
23     public String getTime() {
24         return time;
25     }
26 
27     public void setTime(String time) {
28         this.time = time;
29     }
30 }

View Code

　　2、Crawl类——定义了抓取规则

 1 package cn.edu.hfut.dmic.webcollector.example.myCrawler.test;
 2 import cn.edu.hfut.dmic.webcollector.crawler.DeepCrawler;
 3 //import cn.edu.hfut.dmic.webcollector.example.util.ProxyCollector;
 4 import cn.edu.hfut.dmic.webcollector.example.util.JDBCBase;
 5 import cn.edu.hfut.dmic.webcollector.model.Links;
 6 import cn.edu.hfut.dmic.webcollector.model.Page;
 7 import cn.edu.hfut.dmic.webcollector.net.HttpRequesterImpl;
 8 import cn.edu.hfut.dmic.webcollector.net.RandomProxyGenerator;
 9 import org.jsoup.nodes.Document;
10 import org.jsoup.nodes.Element;
11 import org.jsoup.select.Elements;
12 import org.springframework.jdbc.core.JdbcTemplate;
13 
14 import java.util.List;
15 public class CrawlTong  extends DeepCrawler{
16     JdbcTemplate jdbcTemplate = JDBCBase.getInstance().getTemplete2();
17     public CrawlTong(String crawlPath){
18         super(crawlPath);
19     }
20 
21     @Override
22     public Links visitAndGetNextLinks(Page page) {
23         Document doc = page.getDoc();
24         boolean iRedirect = page.getResponse().getRedirect();
25         if(iRedirect)
26             return null;
27         TongModel tongModel = new TongModel();
28         Elements elementsAll = doc.getAllElements();
29         tongModel.setFullName(elementsAll.select("a.v3-branding_logo").text());
30         tongModel.setShortName(elementsAll.select("a.v3-branding_logo").attr("href"));
31         tongModel.setTime("2010-01-21");
32         saveToDB(tongModel);
33         return null;
34     }
35     public int saveToDB(TongModel m)
36     {
37         System.out.println(m.getFullName());
38         System.out.println(m.getShortName());
39         System.out.println(m.getTime());
40         String sql = "insert into tong(fullName,shortName,timer) values(?,?,?)";
41         int updates=jdbcTemplate.update(sql,m.getFullName(),m.getShortName(),m.getTime());
42         return 0;
43     }
44     public static void main(String[] args) throws Exception{
45         CrawlTong crawler = new CrawlTong("/tong");
46         crawler.addSeed("https://www.tzg.cn/");
47         crawler.start(1);
48     }
49 
50 }

View Code

　　继承自抓取父类，我采用的是继承DeepCrawler，相应的也可以继承自BreathCrawler。

　　主要是三个方法，当写完extends DeepCrawler，一般编译器会提示你实现构造方法和重写visitAndGetNextLinks方法，然后需要创建一个main函数

　　（1）main函数，相当于爬虫的入口

　　　　① 新建一个爬虫

　　　　② 设定种子，即要爬取的URL

　　　　③ 可以设定爬取的线程数，crawler.setThreads(1); 可以并行爬行

　　　　④ 设定爬取的深度，crawler.start(10);

　　　　　关于深度，我的理解是，初始种子是第一层；如果在爬取的过程中不断的加入新的URL，通过第一层新加入的就算第二层；以此类推

　　　　　通常爬取的时候深度不好确认，最简单的办法就是设定个特别大的值

　　（2）visitAndGetNextLinks方法，页面解析

　　　　采用Jsoup的方法，对页面进行解析 http://www.open-open.com/jsoup/selector-syntax.htm

　　　　定义一个Model的对象，通过set的方式把数据存入model　　

　　　　再将Model存放到数据库中

　　（3）构造方法

　　　　关于构造方法，我目前的应用中基本没有修改，后续遇到再补充

　　（4）JdbcTemplate jdbcTemplate = JDBCBase.getInstance().getTemplete2();

　　　　这行代码，是数据库相关的配置

　　　　JDNCBase文件中的getTemplete2()，定义了连接哪个数据库

补充1：DAO

　　WebCollector本身融合了Spring框架（不知道这样说合不合理，本身对Java的框架理解不深），可以通过DAO的形式对数据进行存储。

 1 package cn.edu.hfut.dmic.webcollector.example.myCrawler.test;
 2 
 3 import cn.edu.hfut.dmic.webcollector.example.util.GenericDaoImpl;
 4 
 5 import java.util.List;
 6 
 7 public class DataVaryDao extends GenericDaoImpl<DataVaryModel,Long> {
 8 
 9     public DataVaryDao(){super(DataVaryModel.class);}
10 
11     public Long add(DataVaryModel model)
12     {
13         return insert(model);
14     }
15 
16     public int updata(DataVaryModel model)
17     {
18         return this.update(model);
19     }
20 
21     public List<DataVaryModel> getDataBySql(String sql, List<Object> values)
22     {
23         return this.selectBySqlList(sql, values);
24 
25     }
26 
27     @Override
28     public long getCountBySqlList(String sql, List<Object> values) {
29         return 0;
30     }
31 }

View Code

 1 dataList = dataDao.getDataBySql("select * from table where xmbm = ? and platform_id = ?", valueList);
 2             dataModelDB = dataList.get(0);
 3             
 4             dataVaryModel=new DataVaryModel();
 5             dataVaryModel.setData_id(dataModelDB.getId());
 6             dataVaryModel.setKtje(ktje);
 7             dataVaryModel.setXmzt(xmzt);
 8             dataVaryModel.setTzrc(tzrc);
 9             dataVaryModel.setCreate_date(new Timestamp(new Date().getTime()));
10             dataVaryDao.add(dataVaryModel);

View Code

　　上面就是定义了一个简单的DAO类，这个类也继承自一个基类；然后通过调用DAO中的方法进行数据存储

　　当然DAO对数据的增删改查等需要自己后台实现

补充2：动态增加种子

　　爬取的一个常见情况，一边爬网页，一边将网页中的URL加入到爬取队列中。　　

1 Links links=new Links();
2 for(int i=0;i<length;i++){
3                 String temp=pre+elements1.get(i).attr("href");
4                 System.out.println(temp);
5                 System.out.println(elements1.get(i).text().trim());
6                 links.add(temp);
7             }
8 
9 return links;

View Code

　　在visitAndGetNextLinks方法中，定义一个Links类型的变量，将URL加入变量中，返回即可

　　如上述提及的爬取深度，爬出初始URL页面获取的links就是第二层，一颗树形的结构，随着抓取的增加，深度不断加深

补充3：不动态增加种子，但是爬取新页面

　　还有一种情况，在爬取的过程中得到了新的URL，但是不想放入对爬取队列，想当下就拿到上面的数据。

 1  String newUrl="http://www.xueshandai.com/invest/invest-record/"+xmbm;
 2             try {
 3                 System.out.println(newUrl);
 4                 String html = requester.getResponse(newUrl).getHtml("UTF-8");
 5                 Pattern p = Pattern.compile("<div class=\"jtit3\">(.*?)</div>");
 6                 Matcher m = p.matcher(html);
 7                 System.out.println(m);
 8                 if(m.find()){
 9                     System.out.println("------find---------");
10                     String s=m.group().split("：")[3].split("<")[0];
11                     System.out.println(s.substring(0,s.length()-1));
12                     tzrc = Integer.parseInt(s.substring(0,s.length()-1));
13                 }
14             } catch (Exception e) {
15                 e.printStackTrace();
16             }

View Code

　　requester.getResponse(newUrl).getHtml("UTF-8");

　　通过这样一条语句，可以直接得到url的HTML，不过存储的是String类型，可以通过正则进行解析，获取需要的数据。

补充4：对不同种类的URL进行分门处理

　　可能抓取队列中存放着不同类型的URL，对每一种爬取方案是不同的。

　　高大上的方法：定义抽取器

　　简单方法：字符串匹配

　　 if(pageURL.contains("list")){}

　　else if (pageURL.contains("detail")){}

 

以上，就是目前遇到的一些情况，比较简单，还会再用两周。

后续内容：

　　（1）加代理（已经遇到封IP的情况了）、加头部文件

　　（2）抽取器

　　（3）解析Json文件、XML文件

　　（4）内部机制的学习调用