便于二次开发的爬虫框架:webmagic

转自:便于二次开发的爬虫框架 :webmagic




官方网站 http://webmagic.io/
webmagic 是一个开源的 Java 垂直爬虫框架,目标是简化爬虫的开发流程,让开发者专注于逻辑功能的开发。webmagic 的核心非常简单,但是覆盖爬虫的整个流程,也是很好的学习爬虫开发的材料。
webmagic 的主要特色:
  • 完全模块化的设计,强大的可扩展性。
  • 核心简单但是涵盖爬虫的全部流程,灵活而强大,也是学习爬虫入门的好材料。
  • 提供丰富的抽取页面 API。
  • 无配置,但是可通过 POJO + 注解形式实现一个爬虫。
  • 支持多线程。
  • 支持分布式。
  • 支持爬取 js 动态渲染的页面。
  • 无框架依赖,可以灵活的嵌入到项目中去。
webmagic 的架构和设计参考了以下两个项目,感谢以下两个项目的作者:
python 爬虫 scrapy https://github.com/scrapy/scrapy
Java 爬虫 Spiderman http://git.oschina.net/l-weiwei/spiderman
webmagic 的 github 地址:https://github.com/code4craft/webmagic

快速开始

使用 maven

webmagic 使用 maven 管理依赖,在项目中添加对应的依赖即可使用 webmagic:
WebMagic 使用 slf4j-log4j12 作为 slf4j 的实现. 如果你自己定制了 slf4j 的实现,请在项目中去掉此依赖。

项目结构

webmagic 主要包括两个包:
  • webmagic-core webmagic 核心部分,只包含爬虫基本模块和基本抽取器。webmagic-core 的目标是成为网页爬虫的一个教科书般的实现。
  • webmagic-extension webmagic 的扩展模块,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。
webmagic 还包含两个可用的扩展包,因为这两个包都依赖了比较重量级的工具,所以从主要包中抽离出来,这些包需要下载源码后自己编译::
  • webmagic-saxon webmagic 与 Saxon 结合的模块。Saxon 是一个 XPath、XSLT 的解析工具,webmagic 依赖 Saxon 来进行 XPath2.0 语法解析支持。
  • webmagic-selenium webmagic 与 Selenium 结合的模块。Selenium 是一个模拟浏览器进行页面渲染的工具,webmagic 依赖 Selenium 进行动态页面的抓取。
在项目中,你可以根据需要依赖不同的包。

不使用 maven

在项目的 lib 目录下,有依赖的所有 jar 包,直接在 IDE 里 import 即可。

第一个爬虫

定制 PageProcessor

PageProcessor 是 webmagic-core 的一部分,定制一个 PageProcessor 即可实现自己的爬虫逻辑。以下是抓取 osc 博客的一段代码:
这里通过 page.addTargetRequests() 方法来增加要抓取的 URL,并通过 page.putField() 来保存抽取结果。page.getHtml().xpath() 则是按照某个规则对结果进行抽取,这里抽取支持链式调用。调用结束后,toString() 表示转化为单个 String,all() 则转化为一个 String 列表。
Spider 是爬虫的入口类。Pipeline 是结果输出和持久化的接口,这里 ConsolePipeline 表示结果输出到控制台。
执行这个 main 方法,即可在控制台看到抓取结果。webmagic 默认有 3 秒抓取间隔,请耐心等待。

使用注解

webmagic-extension 包括了注解方式编写爬虫的方法,只需基于一个 POJO 增加注解即可完成一个爬虫。以下仍然是抓取 oschina 博客的一段代码,功能与 OschinaBlogPageProcesser 完全相同:
这个例子定义了一个 Model 类,Model 类的字段’title’、’content’、’tags’均为要抽取的属性。这个类在 Pipeline 里是可以复用的。

详细文档

http://webmagic.io/docs/

示例

webmagic-samples 目录里有一些定制 PageProcessor 以抽取不同站点的例子。
webmagic 的使用可以参考:oschina openapi 应用:博客搬家