当前位置：首页 > news >正文

Java爬虫—WebMagic

news 2026/2/1 2:01:47

一，WebMagic介绍

WebMagic企业开发，比HttpClient和JSoup更方便

一），WebMagic架构介绍

WebMagic有DownLoad，PageProcessor，Schedule，Pipeline四大组件，并有Spider将他们组织起来，这四大组件对应就是爬虫的下载，处理，管理，持久化等功能。

Spider将这几个组件串联起来，让他们可以相互交互，流程化执行，可以认为Spider是一个巨大的容器，他也是webMagic逻辑的核心

WebMagic框架：

1，DownLoad负责从互联网上下载页面交给PageProcessor处理，WebMagic使用Apache HttpClient作为下载工具。

2，PageProcessor负责解析页面，抽取有用数据，以及发现新的链接。WebMagic使用Jsoup作为解析HTML工具，并基于其开发了解析Xpath的Xsoup。

四个组件中，PageProcessor对于每个站点都不一样，需要使用者自行定义。

3，Schedule负责管理抓取的URL，以及一些去重工作。WebMagic默认提供了JDK的内存队列来管理URL，并用集合进行去重。也支持Redis的分布式管理。

4，Pipeline负责抽取结果的计算，持久化到文件，数据库等。WebMagic默认提供“输出到控制台”和保存到文件两种处理方案。

如果需要保存到数据库，则需要编写对应的Pipeline，对于一类需求，一般只需要编写一个Pipeline。

二），用于数据流转的对象

1，request

request是对URL地址的一层封装，一个request对应一个URL；

他是PageProcessor和DownLoad交互的载体，也是PageProdessor控制Download的唯一方式。

除了URL本身，还包含一盒key-value结构的完整字段extra，可以在extra中保存一些特殊的属性，然后在其他地方进行读取，以及完成不同的功能。

2，page

Page及使用Download下载的页面——可能是一个HTML，也可能是JSON或者其他文本。

Page是WebMagic抽取数据的核心对象，他提供了一些方法可供抽取、结果保存等。

3，ResuleItems

ResultItems相当于一个Map，他用于保存PageProcessor处理的结果，供Pipeline使用。他的API和Map类似，但有一个字段skip，若设置为true，则不会被Pipeline处理。

二，入门程序

添加打印日志配置文件

log4j.rootLogger=INFO,A1 log4j.appender.A1=org.apache.log4j.ConsoleAppender
log4j.appender.A1.layout=org.apache.log4j.PatternLayout
log4j.appender.A1.layout.ConversionPattern=%-d{yyyy-MM-dd HH🇲🇲ss,SSS} [%t] [%c]-[%p] %m%n

引入WebMagic的依赖

<!--webMagic依赖--><dependency><groupId>us.codecraft</groupId><artifactId>webmagic-core</artifactId><version>0.7.4</version></dependency><dependency><groupId>us.codecraft</groupId><artifactId>webmagic-extension</artifactId><version>0.7.4</version></dependency>

public class JobProcessor implements PageProcessor {//page：解析的页面，由Spider容器处理。public void process(Page page) {//解析page，并将结果以key——value的形式保存在ResultItems中//page.getHtml():获取html，也就是dom文档//.css():selector选择器//"head > title":head的直接子标签//以css方式获取page.putField("title",page.getHtml().css("head > title"));//Xpath方式获取page.putField("div",page.getHtml().xpath("//div[@id=shortcut-2014]/div/ul/li/a"));//css方式获取page.putField("div1",page.getHtml().css("div#shortcut-2014 div.w ul.fr > li > a"));//正则表达式page.putField("div2",page.getHtml().css("div#shortcut-2014 div.w ul.fr > li > a").regex(".*你好.*").all());}private Site site = Site.me();public Site getSite() {return site;}public static void main(String[] args) {Spider.create(new JobProcessor()).addUrl("https://kuaibao.jd.com/")//添加需要爬取的网页url.run();//执行//不需要执行打印，不设置输入流的位置，WebMagic默认输出在控制台}
}

三，PageProcessor分析抽取页面元素

Xpath, 使用路径表达式来选取 XML 文档中的节点或节点集

CSS选择器 (同jquery选择器用法)

正则表达式, 一般用于获取url地址

WebMagic下Selectable抽取元素API

WebMagic处理结果的API

        page.putField("div3",page.getHtml().xpath("//div[@id=shortcut-2014]/div/ul/li/a").get());//在结果中抽取一条数据，默认第一条page.putField("div3",page.getHtml().xpath("//div[@id=shortcut-2014]/div/ul/li/a").toString());//在结果中抽取一条数据，默认第一条page.putField("div3",page.getHtml().xpath("//div[@id=shortcut-2014]/div/ul/li/a").all());//获取结果的全部数据

Schedule获取链接：page.addTargetRequest（）

        page.addTargetRequest(page.getHtml().xpath("//div[@id=shortcut-2014]/div/ul/li/a").links().get());//获取查询结果的第一条超链接page.putField("title",page.getHtml().css("head > title"));

四，Pipeline保存结果

WebMagic用于保存结果的组件叫做Pipeline，默认输出到控制是同一个内置的Pipeline——consolePipeline，如果想要输出到文件，只讲Pipeline换成FilePipeline就可以。

 public static void main(String[] args) {Spider.create(new JobProcessor()).addUrl("https://kuaibao.jd.com/")//添加需要爬取的网页url//不添加addPipeline则会将结果输出在控制台.addPipeline(new FilePipeline("C:\\Users\\admin\\Desktop\\result\\"))//将结果保存在文件中.thread(5)//设置多线程.run();//执行//不需要执行打印，不设置输入流的位置，WebMagic默认输出在控制台}

五，爬虫的配置、启动和终止

Sipder是爬虫启动的入口，我们需要在启动爬虫前使用一个pageProcessor创建一个Spider对象，然后使用run（）启动。

设置Spider组件都可以采用set方法进行设置

爬虫设置Site

Site.me()可以对爬虫进行一些配置，包括编码，抓取间隔，超时时间，重复次数等。

    private Site site = Site.me().setCharset("utf8") //设置编码.setTimeOut(10 * 1000) //设置超时间.setRetryTimes(3) // 设置重复次数.setRetrySleepTime(3 * 1000); // 设置重试时间间隔public Site getSite() {return site;}

六，爬虫分类

网络爬虫按照系统结构和实现技术，大致可以分为以下几种类型：通用网络爬虫、聚焦网络爬虫、增量式网络爬虫、深层网络爬虫。实际的网络爬虫系统通常是几种爬虫技术相结合实现的

通用网络爬虫

通用网络爬虫又称全网爬虫（Scalable Web Crawler），爬行对象从一些种子 URL 扩充到整个 Web，主要为门户站点搜索引擎和大型 Web 服务提供商采集数据。

这类网络爬虫的爬行范围和数量巨大，对于爬行速度和存储空间要求较高，对于爬行页面的顺序要求相对较低，同时由于待刷新的页面太多，通常采用并行工作方式，但需要较长时间才能刷新一次页面。简单的说就是互联网上抓取所有数据。

聚焦网络爬虫

聚焦网络爬虫（Focused Crawler），又称主题网络爬虫（Topical Crawler），是指选择性地爬行那些与预先定义好的主题相关页面的网络爬虫。

和通用网络爬虫相比，聚焦爬虫只需要爬行与主题相关的页面，极大地节省了硬件和网络资源，保存的页面也由于数量少而更新快，还可以很好地满足一些特定人群对特定领域信息的需求。简单的说就是互联网上只抓取某一种数据。

增量式网络爬虫

增量式网络爬虫（Incremental Web Crawler）是指对已下载网页采取增量式更新和只爬行新产生的或者已经发生变化网页的爬虫，它能够在一定程度上保证所爬行的页面是尽可能新的页面。

和周期性爬行和刷新页面的网络爬虫相比，增量式爬虫只会在需要的时候爬行新产生或发生更新的页面，并不重新下载没有发生变化的页面，可有效减少数据下载量，及时更新已爬行的网页，减小时间和空间上的耗费，但是增加了爬行算法的复杂度和实现难度。简单的说就是互联网上只抓取刚刚更新的数据。

Deep Web 爬虫

Web 页面按存在方式可以分为表层网页（Surface Web）和深层网页（Deep Web，也称 Invisible Web Pages 或 Hidden Web）。

表层网页是指传统搜索引擎可以索引的页面，以超链接可以到达的静态网页为主构成的 Web 页面。Deep Web 是那些大部分内容不能通过静态链接获取的、隐藏在搜索表单后的，只有用户提交一些关键词或者登陆后才能获得的 Web 页面