WebMagic

2021-09-14 17:30:54   6  举报





WebMagic使用

WebMagic

Java

爬虫

模板推荐

作者其他创作

大纲/内容

WebMagic的四个组件

1.Downloader

Downloader负责从互联网上下载页面，以便后续处理。WebMagic默认使用了Apache HttpClient作为下载工具。

2.PageProcessor

PageProcessor负责解析页面，抽取有用信息，以及发现新的链接。 WebMagic使用Jsoup作为HTML解析工具，并基于其开发了解析XPath的工具Xsoup。 在这四个组件中，PageProcessor对于每个站点每个页面都不一样，是需要使用者定制的部分。

3.Scheduler

Scheduler负责管理待抓取的URL，以及一些去重的工作。WebMagic默认提供了JDK的内存队列来管理URL，并用集合来进行去重。也支持使用Redis进行分布式管理。

4.Pipeline

Pipeline负责抽取结果的处理，包括计算、持久化到文件、数据库等。 WebMagic默认提供了“输出到控制台”和“保存到文件”两种结果处理方案。 Pipeline定义了结果保存的方式，如果你要保存到指定数据库，则需要编写对应的Pipeline。对于一类需求一般只需编写一个Pipeline。

架构图

PageProcessor组件

Site对象

Site对象，可以使用Site.me()创建。 在此对象中可以对爬虫进行一些配置配置，包括编码、抓取间隔、超时时间、重试次数等

//可以对爬虫进行一些配置  private Site site = Site.me()             .setCharset("UTF-8")//编码             .setSleepTime(1)//抓取间隔时间,可以解决一些反爬限制             .setTimeOut(1000 * 10)//超时时间             .setRetrySleepTime(3000)//重试时间             .setRetryTimes(3);//重试次数

page对象

Page对象是PageProcess组件中的核心对象，此对象中包含三个核心操作：

获取Downloader对象下载结果

当我们需要从page对象中获得下载结果时，可以使用page对象的getHtml()方法。

此方法的返回结果就是一个Html对象，也可以看做把这个html页面解析之后映射成一个Html对象，Html对象实现了Selectable接口，是可以直接使用Selectable接口中提供的选择器。

向Scheduler对象中添加Request对象也就是待访问的url

使用addTargetRequest或者addTargetRequests方法可以将解析出来的链接添加到url访问队列，系统会把url封装成Request对象供Scheduler对象使用。

向Pipeline对象中设置输出结果

使用putField方法可以将解析的结果添加到ResultItems对象中，将来在Pipeline对象中可以取到这个数据。

page对象

Selectable对象

抽取元素：Selectable相关的抽取元素链式API是WebMagic的一个核心功能。使用Selectable接口，可以直接完成页面元素的链式抽取，也无需去关心抽取的细节。