天天看点

Java爬虫框架WebMagic简介及使用一、介绍三、 基本的爬虫

一、介绍

​ webmagic的是一个无须配置、便于二次开发的爬虫框架,它提供简单灵活的API,只需少量代码即可实现一个爬虫。webmagic采用完全模块化的设计,功能覆盖整个爬虫的生命周期(链接提取、页面下载、内容抽取、持久化),支持多线程抓取,分布式抓取,并支持自动重试、自定义UA/cookie等功能。

二、概览

​ WebMagic项目代码分为核心和扩展两部分。核心部分(webmagic-core)是一个精简的、模块化的爬虫实现,而扩展部分则包括一些便利的、实用性的功能(例如注解模式编写爬虫等)。

​ WebMagic的结构分为Downloader、PageProcessor、Scheduler、Pipeline四大组件,并由Spider将它们彼此组织起来。这四大组件对应爬虫生命周期中的下载、处理、管理和持久化等功能。而Spider则将这几个组件组织起来,让它们可以互相交互,流程化的执行,可以认为Spider是一个大的容器,它也是WebMagic逻辑的核心。

  

WebMagic总体架构图如下:

Java爬虫框架WebMagic简介及使用一、介绍三、 基本的爬虫
2.1 WebMagic的四个组件
  • 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。

  • 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。

  • 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。除非项目有一些特殊的分布式需求,否则无需自己定制Scheduler。

  • 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。

2.2 用于数据流转的对象
  • Request

    Request是对URL地址的一层封装,一个Request对应一个URL地址。它是PageProcessor与Downloader交互的载体,也是PageProcessor控制Downloader唯一方式。

  • Page

    Page代表了从Downloader下载到的一个页面——可能是HTML,也可能是JSON或者其他文本格式的内容。Page是WebMagic抽取过程的核心对象,它提供一些方法可供抽取、结果保存等。

  • ReusltItems

    ReusltItems相当于一个Map,它保存PageProcessor处理的结果,供Pipeline使用。它的API与Map很类似,值得注意的是它有一个字段skip,若设置为true,则不应被Pipeline处理。

2.3 控制爬虫运转的引擎—Spider

​ Spider是WebMagic内部流程的核心。Downloader、PageProcessor、Scheduler、Pipeline都是Spider的一个属性,这些属性是可以自由设置的,通过设置这个属性可以实现不同的功能。Spider也是WebMagic操作的入口,它封装了爬虫的创建、启动、停止、多线程等功能。

​ 对于编写一个爬虫,PageProcessor是需要编写的部分,而Spider则是创建和控制爬虫的入口。

2.4 WebMagic项目组成

WebMagic项目代码包括几个部分,在根目录下以不同目录名分开。它们都是独立的Maven项目。

WebMagic主要包括两个包,这两个包经过广泛实用,已经比较成熟:

  • webmagic-core

    webmagic-core是WebMagic核心部分,只包含爬虫基本模块和基本抽取器。

  • webmagic-extension

    webmagic-extension是WebMagic的主要扩展模块,提供一些更方便的编写爬虫的工具。包括注解格式定义爬虫、JSON、分布式等支持。

三、 基本的爬虫

3.1 爬虫的流程 (可以参考上边的框架架构图)
  1. Downloader-页面下载
    • 页面下载是一切爬虫的开始。

      大部分爬虫都是通过模拟http请求,接收并分析响应来完成。这方面,JDK自带的HttpURLConnection可以满足最简单的需要,而Apache HttpClient(4.0后整合到HttpCompenent项目中)则是开发复杂爬虫的不二之选。它支持自定义HTTP头(对于爬虫比较有用的就是User-agent、cookie等)、自动redirect、连接复用、cookie保留、设置代理等诸多强大的功能。

      webmagic使用了HttpClient 4.2,并封装到了HttpClientDownloader。学习HttpClient的使用对于构建高性能爬虫是非常有帮助的,官方的Tutorial就是很好的学习资料。目前webmagic对HttpClient的使用仍在初步阶段,不过对于一般抓取任务,已经够用了

  1. PageProcessor-页面分析及链接抽取
    • 这里说的页面分析主要指HTML页面的分析。页面分析可以说是垂直爬虫最复杂的一部分,在webmagic里,PageProcessor是定制爬虫的核心。通过编写一个实现PageProcessor接口的类,就可以定制一个自己的爬虫
    • HTML分析是一个比较复杂的工作,Java世界主要有几款比较方便的分析工具:
      • Jsoup
      • HtmlParser
      • Apache tika
      • HtmlCleaner与Xpath
    • webmagic的Selector
      • Selector是webmagic为了简化页面抽取开发的独立模块,是整个项目中我最得意的部分。这里整合了CSS Selector、XPath和正则表达式,并可以进行链式的抽取,很容易就实现强大的功能。即使你使用自己开发的爬虫工具,webmagic的Selector仍然值得一试
  2. Scheduler-URL管理
    • URL管理的问题可大可小。对于小规模的抓取,URL管理是很简单的。我们只需要将待抓取URL和已抓取URL分开保存,并进行去重即可。使用JDK内置的集合类型Set、List或者Queue都可以满足需要。如果我们要进行多线程抓取,则可以选择线程安全的容器,例如LinkedBlockingQueue以及ConcurrentHashMap。因为小规模的URL管理非常简单,很多框架都并不将其抽象为一个模块,而是直接融入到代码中。但是实际上,抽象出Scheduler模块,会使得框架的解耦程度上升一个档次,并非常容易进行横向扩展,这也是我从scrapy中学到的。
  1. Pipeline-离线处理和持久化
    • Pipeline其实也是容易被忽略的一部分。大家都知道持久化的重要性,但是很多框架都选择直接在页面抽取的时候将持久化一起完成,例如crawer4j。但是Pipeline真正的好处是,将页面的在线分析和离线处理拆分开来,可以在一些线程里进行下载,另一些线程里进行处理和持久化。
3.2 使用WebMagic爬取一个壁纸网站

​ 首先引入WebMagic的依赖,webmagic-core-{version}.jar和webmagic-extension-{version}.jar。在项目中添加这两个包的依赖,即可使用WebMagic。

  

maven中引入依赖jar包

<dependency>
    <groupId>us.codecraft</groupId>
    <artifactId>webmagic-core</artifactId>
    <version>0.5.3</version>
</dependency>
<dependency>
    <groupId>us.codecraft</groupId>
    <artifactId>webmagic-extension</artifactId>
    <version>0.5.3</version>
</dependency>12345678910
           

不使用maven的用户,可以去http://webmagic.io中下载最新的jar包。

3.3 爬虫的实现
  1. 实现PageProcessor接口
    • 在WebMagic里,实现一个基本的爬虫只需要编写一个类,实现PageProcessor接口即可。这个类基本上包含了抓取一个网站,你需要写的所有代码
  1. 爬虫的配置
    • 爬虫相关配置,如抓取间隔、休息时间等
  1. 编写爬虫代码
    • 这里我们爬取的是一个壁纸网站 https://wallhaven.cc/
    package photo;
    
    import us.codecraft.webmagic.Page;
    import us.codecraft.webmagic.Site;
    import us.codecraft.webmagic.Spider;
    import us.codecraft.webmagic.processor.PageProcessor;
    
    import java.io.FileNotFoundException;
    import java.io.IOException;
    
    public class GetPhoto implements PageProcessor {
    
        // 设置参数
        private Site site = Site.me().setRetryTimes(3).setSleepTime(1000).setTimeOut(3000);
    
        /**
         * 主方法启动爬虫
         */
        public static void main(String[] args) {
    
            // 这里只爬取第一页的壁纸,如果要爬取其他页数修改for循环参数即可
            for (int i = 1; i <= 1; i++) {
                // 启动爬虫
                Spider.create(new GetPhoto())
                        // 添加初始化的URL
                        .addUrl("https://wallhaven.cc/toplist?page=" + i)
                        // 使用单线程
                        .thread(1)
                        // 运行
                        .run();
            }
        }
    
        /**
         * 页面处理逻辑
         * 也就是访问主程序中的URL后得到的页面
         *
         * 爬虫思路:
         *      1. 主程序访问URL后得到页面
         *      2. 将得到的页面解析出需要的参数,并将解析出来并且需要爬取的链接放入爬取目标中 (45-59行)
         *          TIPS:WebMagic会自动去识别哪些连接爬取过哪些没有。
         *      3. 访问第二步中放入的链接得到页面,并解析(62行)
         *      4. 将图片的名字和后缀提取出来以便保存(64-77行)
         */
        public void process(Page page) {
            // 一页是24张图片
            for (int i = 1; i <= 24; i++) {
    
                // 使用Xpath解析,获取到单个图片的网页
                // WebMagic支持使用Xpath、CSS选择器、正则表达式、JsonPath来解析页面
                String str = page.getHtml().xpath("//div[@id=thumbs]/section/ul/li[" + i + "]/figure/a[@class=preview]/@href").toString();
    
                // 获取到的连接为null则退出循环,不添加进爬取目标
                if (str == null)
                    break;
    
                // 将爬取到的链接添加到待爬取页面中
                page.addTargetRequest(str);
            }
    
            // 将页面中图片的地址提取出来,以便于使用工具类保存
            String pageURL = page.getHtml().xpath("//img[@id=wallpaper]/@src").toString();
    
            if (pageURL != null) {
                try {
                    // 获取图片的名字和后缀提取出来用于保存
                    String name = pageURL.substring(pageURL.length() - 9, pageURL.length() - 4);
                    String suffix = pageURL.substring(pageURL.length() - 4);
    
                    // 将图片的地址、名字、保存路径传入文件工具类进行下载
                    DownloadImage.downLoadFromUrl(pageURL, name + suffix, "src/file/");
                } catch (FileNotFoundException e) {
                    e.printStackTrace();
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
    
        }
    
    
        public Site getSite() {
            return site;
        }
    }
    
    
               
  2. 储存资源(工具类)
    package photo;
    
    import java.io.*;
    import java.net.HttpURLConnection;
    import java.net.URL;
    
    class DownloadImage {
    
        public static void downLoadFromUrl(String urlStr, String fileName, String savePath) throws IOException {
            URL url = new URL(urlStr);
            HttpURLConnection conn = (HttpURLConnection) url.openConnection();
            // 设置超时间为3秒
            conn.setConnectTimeout(3 * 1000);
    
            // 防止屏蔽程序抓取而返回403错误
            conn.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");
    
            // 得到输入流
            InputStream inputStream = conn.getInputStream();
    
            // 获取自己数组
            byte[] getData = readInputStream(inputStream);
    
            // 文件保存位置
            File saveDir = new File(savePath);
            if (!saveDir.exists()) {
                saveDir.mkdir();
            }
    
            File file = new File(saveDir + File.separator + fileName);
            FileOutputStream fos = new FileOutputStream(file);
            fos.write(getData);
            if (fos != null) {
                fos.close();
            }
    
            if (inputStream != null) {
                inputStream.close();
            }
    
            System.out.println("info:" + url + " download success");
    
        }
    
        private static byte[] readInputStream(InputStream inputStream) throws IOException {
            byte[] buffer = new byte[1024];
            int len = 0;
            ByteArrayOutputStream bos = new ByteArrayOutputStream();
            while ((len = inputStream.read(buffer)) != -1) {
                bos.write(buffer, 0, len);
            }
            bos.close();
            return bos.toByteArray();
        }
    }
    
               

参考连接:

https://blog.csdn.net/u012385190/article/details/51517466

https://my.oschina.net/flashsword/blog/145796#h4_7

http://webmagic.io/docs/zh/posts/ch1-overview/