垂直爬虫 WebMagic（怎么垂直爬墙）

WebMagic是一个简单灵活的Java爬虫框架。基于WebMagic，你可以快速开发出一个高效、易维护的爬虫。

特性：

• 简单的API，可快速上手
• 模块化的结构，可轻松扩展
• 提供多线程和分布式支持

一个示例：

public class GithubRepoPageProcessor implements PageProcessor {
 private Site site = Site.me().setRetryTimes(3).setSleepTime(1000).setTimeOut(10000);
 @Override
 public void process(Page page) {
 page.addTargetRequests(page.getHtml().links().regex("(https://github\\.com/[\\w\\-]+/[\\w\\-]+)").all());
 page.addTargetRequests(page.getHtml().links().regex("(https://github\\.com/[\\w\\-])").all());
 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()"));
 }
 @Override
 public Site getSite() {
 return site;
 }
 public static void main(String[] args) {
 Spider.create(new GithubRepoPageProcessor()).addUrl("https://github.com/code4craft").thread(5).run();
 }
}

下载：

最新版：WebMagic-0.7.3

Maven依赖：

<dependency>
 <groupId>us.codecraft</groupId>
 <artifactId>webmagic-core</artifactId>
 <version>0.7.3</version>
</dependency>
<dependency>
 <groupId>us.codecraft</groupId>
 <artifactId>webmagic-extension</artifactId>
 <version>0.7.3</version>
</dependency>

实现PageProcessor

这部分我们直接通过GithubRepoPageProcessor这个例子来介绍PageProcessor的编写方式。我将PageProcessor的定制分为三个部分，分别是爬虫的配置、页面元素的抽取和链接的发现。

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();
 }
}

4.1.1 爬虫的配置

第一部分关于爬虫的配置，包括编码、抓取间隔、超时时间、重试次数等，也包括一些模拟的参数，例如User Agent、cookie，以及代理的设置，我们会在第5章-“爬虫的配置”里进行介绍。在这里我们先简单设置一下：重试次数为3次，抓取间隔为一秒。

4.1.2 页面元素的抽取

第二部分是爬虫的核心部分：对于下载到的Html页面，你如何从中抽取到你想要的信息？WebMagic里主要使用了三种抽取技术：XPath、正则表达式和CSS选择器。另外，对于JSON格式的内容，可使用JsonPath进行解析。

1. XPath
2. XPath本来是用于XML中获取元素的一种查询语言，但是用于Html也是比较方便的。例如：

 page.getHtml().xpath("//h1[@class='entry-title public']/strong/a/text()")

1. 这段代码使用了XPath，它的意思是“查找所有class属性为'entry-title public'的h1元素，并找到他的strong子节点的a子节点，并提取a节点的文本信息”。 对应的Html是这样子的：

1. 
   
2. CSS选择器
3. CSS选择器是与XPath类似的语言。如果大家做过前端开发，肯定知道$('h1.entry-title')这种写法的含义。客观的说，它比XPath写起来要简单一些，但是如果写复杂一点的抽取规则，就相对要麻烦一点。
4. 正则表达式
5. 正则表达式则是一种通用的文本抽取语言。

 page.addTargetRequests(page.getHtml().links().regex("(https://github\\.com/\\w+/\\w+)").all());

1. 这段代码就用到了正则表达式，它表示匹配所有"https://github.com/code4craft/webmagic"这样的链接。
2. JsonPath
3. JsonPath是于XPath很类似的一个语言，它用于从Json中快速定位一条内容。WebMagic中使用的JsonPath格式可以参考这里：https://code.google.com/p/json-path/

4.1.3 链接的发现

有了处理页面的逻辑，我们的爬虫就接近完工了！

但是现在还有一个问题：一个站点的页面是很多的，一开始我们不可能全部列举出来，于是如何发现后续的链接，是一个爬虫不可缺少的一部分。

page.addTargetRequests(page.getHtml().links().regex("(https://github\\.com/\\w+/\\w+)").all());

这段代码的分为两部分，page.getHtml().links().regex("(https://github\\.com/\\w+/\\w+)").all()用于获取所有满足"(https:/ /github\.com/\w+/\w+)"这个正则表达式的链接，page.addTargetRequests()则将这些链接加入到待抓取的队列中去。