Java爬蟲框架之WebMagic怎么使用

本篇內(nèi)容介紹了“Java爬蟲框架之WebMagic怎么使用”的有關(guān)知識(shí)，在實(shí)際案例的操作過程中，不少人都會(huì)遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

概述

WebMagic是一個(gè)簡(jiǎn)單靈活的Java爬蟲框架。基于WebMagic，可以快速開發(fā)出一個(gè)高效、易維護(hù)的爬蟲。

WebMagic分為核心和擴(kuò)展兩部分。核心部分(webmagic-core)是一個(gè)精簡(jiǎn)的、模塊化的爬蟲實(shí)現(xiàn)，而擴(kuò)展部分則包括一些便利的、實(shí)用性的功能。

特性

簡(jiǎn)單的API，可快速上手

模塊化的結(jié)構(gòu)，可輕松擴(kuò)展

提供多線程和分布式支持

架構(gòu)

WebMagic的結(jié)構(gòu)分為Downloader、PageProcessor、Scheduler、Pipeline四大組件，并由Spider將它們彼此組織起來。

四大組件對(duì)應(yīng)爬蟲生命周期中的下載、處理、管理和持久化等功能。WebMagic的設(shè)計(jì)參考了Scapy，實(shí)現(xiàn)方式更加Java化一些。

Spider則將這幾個(gè)組件組織起來，讓它們可以互相交互，流程化的執(zhí)行，可以認(rèn)為Spider是一個(gè)大的容器，它也是WebMagic邏輯的核心。

四大組件

Downloader

Downloader負(fù)責(zé)從互聯(lián)網(wǎng)上下載頁(yè)面，以便后續(xù)處理。WebMagic默認(rèn)使用了Apache HttpClient作為下載工具。

PageProcessor

PageProcessor負(fù)責(zé)解析頁(yè)面，抽取有用信息，以及發(fā)現(xiàn)新的鏈接。WebMagic使用Jsoup作為HTML解析工具，并基于其開發(fā)了解析XPath的工具Xsoup。

在這四個(gè)組件中，PageProcessor對(duì)于每個(gè)站點(diǎn)每個(gè)頁(yè)面都不一樣，是需要使用者定制的部分。

Scheduler

Scheduler負(fù)責(zé)管理待抓取的URL，以及一些去重的工作。WebMagic默認(rèn)提供了JDK的內(nèi)存隊(duì)列來管理URL，并用集合來進(jìn)行去重。也支持使用Redis進(jìn)行分布式管理。

Pipeline

Pipeline負(fù)責(zé)抽取結(jié)果的處理，包括計(jì)算、持久化到文件、數(shù)據(jù)庫(kù)等。WebMagic默認(rèn)提供了“輸出到控制臺(tái)”和“保存到文件”兩種結(jié)果處理方案。

Pipeline定義了結(jié)果保存的方式，如果你要保存到指定數(shù)據(jù)庫(kù)，則需要編寫對(duì)應(yīng)的Pipeline。對(duì)于一類需求一般只需編寫一個(gè)Pipeline。

數(shù)據(jù)流轉(zhuǎn)對(duì)象

Request

Request是對(duì)URL地址的一層封裝，一個(gè)Request對(duì)應(yīng)一個(gè)URL地址。它是PageProcessor與Downloader交互的載體，也是PageProcessor控制Downloader唯一方式。

除了URL本身外，它還包含一個(gè)Key-Value結(jié)構(gòu)的字段extra。你可以在extra中保存一些特殊的屬性，然后在其他地方讀取，以完成不同的功能。例如附加上一個(gè)頁(yè)面的一些信息等。

Page

Page代表了從Downloader下載到的一個(gè)頁(yè)面——可能是HTML，也可能是JSON或者其他文本格式的內(nèi)容。

Page是WebMagic抽取過程的核心對(duì)象，它提供一些方法可供抽取、結(jié)果保存等。

ResultItems

ResultItems相當(dāng)于一個(gè)Map，它保存PageProcessor處理的結(jié)果，供Pipeline使用。它的API與Map很類似，值得注意的是它有一個(gè)字段skip，若設(shè)置為true，則不應(yīng)被Pipeline處理。

控制爬蟲運(yùn)轉(zhuǎn)的引擎Spider

Spider是WebMagic內(nèi)部流程的核心。Downloader、PageProcessor、Scheduler、Pipeline都是Spider的一個(gè)屬性，這些屬性是可以自由設(shè)置的，通過設(shè)置這個(gè)屬性可以實(shí)現(xiàn)不同的功能。Spider也是WebMagic操作的入口，它封裝了爬蟲的創(chuàng)建、啟動(dòng)、停止、多線程等功能。

以下是一個(gè)設(shè)置各個(gè)組件，并且設(shè)置多線程和啟動(dòng)的例子。

public static void main(String[] args) {
    Spider.create(new GithubRepoPageProcessor())
            //從https://github.com/code4craft開始抓    
            .addUrl("https://github.com/code4craft")
            //設(shè)置Scheduler，使用Redis來管理URL隊(duì)列
            .setScheduler(new RedisScheduler("localhost"))
            //設(shè)置Pipeline，將結(jié)果以json方式保存到文件
            .addPipeline(new JsonFilePipeline("D:\\data\\webmagic"))
            //開啟5個(gè)線程同時(shí)執(zhí)行
            .thread(5)
            //啟動(dòng)爬蟲
            .run();
}

WebMagic的基本使用

添加WebMagic的核心與擴(kuò)展依賴

      <dependency>
            <groupId>us.codecraft</groupId>
            <artifactId>webmagic-core</artifactId>
            <version>0.7.5</version>
        </dependency>
        <dependency>
            <groupId>us.codecraft</groupId>
            <artifactId>webmagic-extension</artifactId>
            <version>0.7.5</version>
        </dependency>

爬蟲實(shí)現(xiàn)

public class MyJobProcessor implements PageProcessor {
    public void process(Page page) {
        List<String> all = page.getHtml().css("span.s_btn_wr").css("input").all();
        page.putField("title", all.get(0));
    }
    private Site site = Site.me()
            //設(shè)置編碼
            .setCharset("utf8")
            //設(shè)置超時(shí)時(shí)間，單位是ms毫秒
            .setTimeOut(10000)
            //設(shè)置重試的間隔時(shí)間
            .setRetrySleepTime(3000)
            //設(shè)置重試次數(shù)
            .setSleepTime(3);
    public Site getSite() {
        return site;
    }
    public static void main(String[] args) {
        Spider.create(new MyJobProcessor())
                //初始訪問url地址
                .addUrl("http://www.baidu.com")
                .run();
    }
}

get page: http://www.baidu.com
title:<input type="submit" id="su" value="百度一下" class="bg s_btn">

爬蟲的編寫過程

實(shí)現(xiàn)PageProcessor

PageProcessor的定制分為三個(gè)部分，分別是爬蟲的配置、頁(yè)面元素的抽取和鏈接的發(fā)現(xiàn)

爬蟲配置

爬蟲的配置，包括編碼、抓取間隔、超時(shí)時(shí)間、重試次數(shù)等，也包括一些模擬的參數(shù)，例如User Agent、cookie，以及代理的設(shè)置。

    private Site site = Site.me()
            //設(shè)置編碼
            .setCharset("utf8")
            //設(shè)置超時(shí)時(shí)間，單位是ms毫秒
            .setTimeOut(10000)
            //設(shè)置重試的間隔時(shí)間
            .setRetrySleepTime(3000)
            //設(shè)置重試次數(shù)
            .setSleepTime(3);

抽取頁(yè)面元素

頁(yè)面元素的抽取是爬蟲的核心部分：對(duì)于下載到的Html頁(yè)面，如何從中抽取到想要的信息?

WebMagic主要使用三種抽取技術(shù)：XPath、正則表達(dá)式和CSS選擇器。對(duì)于JSON格式的內(nèi)容，可使用JsonPath進(jìn)行解析

XPath

獲取屬性class=myClass的div標(biāo)簽，里面的h2標(biāo)簽的內(nèi)容

page.getHtml().xpath("//div[@class=myClass]/h2/text()")

CSS選擇器

CSS選擇器是與XPath類似的語(yǔ)言。Jsoup的選擇器比XPath寫起來要簡(jiǎn)單一些，但是如果寫復(fù)雜一點(diǎn)的抽取規(guī)則，就相對(duì)要麻煩一點(diǎn)。

獲取屬性class為myClass的div標(biāo)簽下的直接子元素h2標(biāo)簽

page.getHtml().css("div.mt>h2").toString()

可使用:nth-child(n)選擇第幾個(gè)元素，但是注意：需要使用直接子元素才可以選擇第幾個(gè)元素

如: 選擇第一個(gè)元素

page.getHtml().css("div#myId > ul > li:nth-child(1) a").toString()

正則表達(dá)式

正則表達(dá)式則是一種通用的文本抽取語(yǔ)言。在這里一般用于獲取url地址。

匹配所有https://github.com/code4craft/webmagic這樣的鏈接。

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

JsonPath

JsonPath是于XPath很類似的一個(gè)語(yǔ)言，它用于從Json中快速定位一條內(nèi)容。

鏈接的發(fā)現(xiàn)

一個(gè)站點(diǎn)的頁(yè)面是很多的，一開始不可能全部列舉出來，于是如何發(fā)現(xiàn)后續(xù)的鏈接，是一個(gè)爬蟲不可缺少的一部分。

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

page.getHtml().links().regex("(https://github\\.com/\\w+/\\w+)").all()用于獲取所有滿足https:/ /github\.com/\w+/\w+這個(gè)正則表達(dá)式的鏈接

page.addTargetRequests()則將這些鏈接加入到待抓取的隊(duì)列中去。

Selectable抽取元素

Selectable相關(guān)的抽取元素鏈?zhǔn)紸PI是WebMagic的一個(gè)核心功能。使用Selectable接口，就可以直接完成頁(yè)面元素的鏈?zhǔn)匠槿?，也無(wú)需去關(guān)心抽取的細(xì)節(jié)。

上述page.getHtml()返回的是一個(gè)Html對(duì)象，它實(shí)現(xiàn)了Selectable接口。這個(gè)接口包含一些重要的方法，將它分為兩類：抽取部分和獲取結(jié)果部分。

抽取部分API

抽取部分API返回的都是一個(gè)Selectable接口，是支持鏈?zhǔn)秸{(diào)用的。

獲取結(jié)果的API

當(dāng)鏈?zhǔn)秸{(diào)用結(jié)束時(shí)，一般都想要拿到一個(gè)字符串類型的結(jié)果。這時(shí)候就需要用到獲取結(jié)果的API了。

一條抽取規(guī)則，無(wú)論是XPath、CSS選擇器或者正則表達(dá)式，總有可能抽取到多條元素。WebMagic對(duì)這些進(jìn)行了統(tǒng)一，可以通過不同的API獲取到一個(gè)或者多個(gè)元素。

注意：當(dāng)有多條數(shù)據(jù)的時(shí)候，使用get()和toString()都是獲取第一個(gè)url地址。

使用Pipeline保存結(jié)果

如何將抓取的結(jié)果保存下來？WebMagic用于保存結(jié)果的組件叫做Pipeline。

例如通過“控制臺(tái)輸出結(jié)果”這件事也是通過一個(gè)內(nèi)置的Pipeline完成的，它叫做ConsolePipeline。

想要把結(jié)果用Json的格式保存下來，只需要將Pipeline的實(shí)現(xiàn)換成"JsonFilePipeline"就可以了。

想要把結(jié)果用保存到文件中，只將Pipeline的實(shí)現(xiàn)換成"FilePipeline"就可以了。

public static void main(String[] args) {
    Spider.create(new GithubRepoPageProcessor())
            // 初始訪問url地址
            .addUrl("https://github.com/code4craft")
            .addPipeline(new JsonFilePipeline("D:\\webmagic\\"))
            //.addPipeline(new FilePipeline("D:\\webmagic\\"))
            //開啟5個(gè)線程抓取
            .thread(5)
            //啟動(dòng)爬蟲
            .run();
}

爬蟲的配置、啟動(dòng)和終止

Spider啟動(dòng)入口

Spider是爬蟲啟動(dòng)的入口。在啟動(dòng)爬蟲之前，需要使用一個(gè)PageProcessor創(chuàng)建一個(gè)Spider對(duì)象，然后使用run()進(jìn)行啟動(dòng)。同時(shí)Spider的其他組件（Downloader、Scheduler、Pipeline）都可以通過set方法來進(jìn)行設(shè)置。

Site爬蟲配置

對(duì)站點(diǎn)本身的一些配置信息，例如編碼、HTTP頭、超時(shí)時(shí)間、重試策略等、代理等，都可以通過設(shè)置Site對(duì)象來進(jìn)行配置。

rivate Site site = Site.me()
        .setCharset("UTF-8")//編碼
        .setSleepTime(1)//抓取間隔時(shí)間
        .setTimeOut(1000*10)//超時(shí)時(shí)間
        .setRetrySleepTime(3000)//重試時(shí)間
        .setRetryTimes(3);//重試次數(shù)

配置代理

代理服務(wù)器

有些網(wǎng)站不允許爬蟲進(jìn)行數(shù)據(jù)爬取，因?yàn)闀?huì)加大服務(wù)器的壓力。其中一種最有效的方式是通過ip+時(shí)間進(jìn)行鑒別，因?yàn)檎Ｈ瞬豢赡芏虝r(shí)間開啟太多的頁(yè)面，發(fā)起太多的請(qǐng)求。

使用WebMagic可以設(shè)置爬取數(shù)據(jù)的時(shí)間，但是會(huì)大大降低爬取數(shù)據(jù)的效率。如果ip被禁了，就有必要使用代理服務(wù)器來爬取數(shù)據(jù)。

代理（Proxy），也稱網(wǎng)絡(luò)代理，是一種特殊的網(wǎng)絡(luò)服務(wù)，允許一個(gè)網(wǎng)絡(luò)終端（一般為客戶端）通過這個(gè)服務(wù)與另一個(gè)網(wǎng)絡(luò)終端（一般為服務(wù)器）進(jìn)行非直接的連接。

提供代理服務(wù)的電腦系統(tǒng)或其它類型的網(wǎng)絡(luò)終端稱為代理服務(wù)器（Proxy Server）。一個(gè)完整的代理請(qǐng)求過程為：客戶端首先與代理服務(wù)器創(chuàng)建連接，接著根據(jù)代理服務(wù)器所使用的代理協(xié)議，請(qǐng)求對(duì)目標(biāo)服務(wù)器創(chuàng)建連接、或者獲得目標(biāo)服務(wù)器的指定資源。

使用代理服務(wù)器

WebMagic使用的代理對(duì)象是APIProxyProvider。代理由HttpClientDownloader設(shè)置。

ProxyProvider有一個(gè)默認(rèn)實(shí)現(xiàn)：SimpleProxyProvider。它是一個(gè)基于簡(jiǎn)單Round-Robin的、沒有失敗檢查的ProxyProvider?？梢耘渲萌我鈧€(gè)候選代理，每次會(huì)按順序挑選一個(gè)代理使用。它適合用在自己搭建的比較穩(wěn)定的代理的場(chǎng)景。

如果需要根據(jù)實(shí)際使用情況對(duì)代理服務(wù)器進(jìn)行管理（例如校驗(yàn)是否可用，定期清理、添加代理服務(wù)器等），只需要自己實(shí)現(xiàn)APIProxyProvider

在Spider啟動(dòng)入口處配置代理

    public void Process() {
        // 創(chuàng)建下載器Downloader
        HttpClientDownloader httpClientDownloader = new HttpClientDownloader();
        // 給下載器設(shè)置代理服務(wù)器信息
        Proxy proxy = new Proxy("183.166.148.28", 64305);
        httpClientDownloader.setProxyProvider(SimpleProxyProvider.from(proxy));
        Spider.create(new ProxyTest())
                // 淘寶獲取本機(jī)IP地址
                .addUrl("https://www.taobao.com/help/getip.php")
                .setDownloader(httpClientDownloader)
                .run();
    }

Scheduler組件

概述

Scheduler是WebMagic中進(jìn)行URL管理的組件。

Scheduler包括兩個(gè)作用：

對(duì)待抓取的URL隊(duì)列進(jìn)行管理。

對(duì)已抓取的URL進(jìn)行去重。

WebMagic內(nèi)置了幾個(gè)常用的Scheduler。如果只是在本地執(zhí)行規(guī)模比較小的爬蟲，那么基本無(wú)需定制Scheduler

對(duì)Scheduler的內(nèi)部實(shí)現(xiàn)進(jìn)行了重構(gòu)，去重部分被單獨(dú)抽象成了一個(gè)接口：DuplicateRemover，從而可以為同一個(gè)Scheduler選擇不同的去重方式，以適應(yīng)不同的需要，目前提供了兩種去重方式。

所有默認(rèn)的Scheduler都使用HashSetDuplicateRemover來進(jìn)行去重，除了RedisScheduler。

RedisScheduler是使用Redis的set進(jìn)行去重，其他的Scheduler默認(rèn)都使用HashSetDuplicateRemover來進(jìn)行去重。

如果URL較多，使用HashSetDuplicateRemover會(huì)比較占用內(nèi)存，可嘗試BloomFilterDuplicateRemover

使用布隆過濾器

布隆過濾器 (Bloom Filter)是一種space efficient的概率型數(shù)據(jù)結(jié)構(gòu)，用于判斷一個(gè)元素是否在集合中。在垃圾郵件過濾的黑白名單方法、爬蟲(Crawler)的網(wǎng)址判重模塊中等等經(jīng)常被用到。

哈希表也能用于判斷元素是否在集合中，但是布隆過濾器只需要哈希表的1/8或1/4的空間復(fù)雜度就能完成同樣的問題。

布隆過濾器可以插入元素，但不可以刪除已有元素。其中的元素越多，誤報(bào)率越大，但是漏報(bào)是不可能的。

原理：

布隆過濾器需要的是一個(gè)位數(shù)組(和位圖類似)和K個(gè)映射函數(shù)(和Hash表類似)，在初始狀態(tài)時(shí)，對(duì)于長(zhǎng)度為m的位數(shù)組array，它的所有位被置0。

如果要使用BloomFilter，必須要加入以下依賴：

 <!--WebMagic對(duì)布隆過濾器的支持-->
        <dependency>
            <groupId>com.google.guava</groupId>
            <artifactId>guava</artifactId>
            <version>31.1-jre</version>
        </dependency>

添加布隆過濾器

public static void main(String[] args) {
    Spider.create(new JobProcessor())
            //初始訪問url地址
            .addUrl("https://github.com/code4craft")
            .addPipeline(new FilePipeline("D:/webmagic/"))
            .setScheduler(new QueueScheduler()
            .setDuplicateRemover(new BloomFilterDuplicateRemover(10000000))) //參數(shù)設(shè)置需要對(duì)多少條數(shù)據(jù)去重
            .thread(1)//設(shè)置線程數(shù)
            .run();
}

    public boolean isDuplicate(Request request, Task task) {
        boolean isDuplicate = this.bloomFilter.mightContain(this.getUrl(request));
        if (!isDuplicate) {
            this.bloomFilter.put(this.getUrl(request));
            this.counter.incrementAndGet();
        }
        return isDuplicate;
    }

打開布隆過濾器BloomFilterDuplicateRemover，在isDuplicate方法處可斷點(diǎn)驗(yàn)證

對(duì)比

HashSet

使用java中的HashSet不能重復(fù)的特點(diǎn)去重。優(yōu)點(diǎn)是容易理解。使用方便。缺點(diǎn)：占用內(nèi)存大，性能較低。

Redis去重

使用Redis的set進(jìn)行去重。優(yōu)點(diǎn)是速度快（Redis本身速度就很快），而且去重不會(huì)占用爬蟲服務(wù)器的資源，可以處理更大數(shù)據(jù)量的數(shù)據(jù)爬取。缺點(diǎn)：需要準(zhǔn)備Redis服務(wù)器，增加開發(fā)和使用成本。

布隆過濾器（BloomFilter）

使用布隆過濾器也可以實(shí)現(xiàn)去重。優(yōu)點(diǎn)是占用的內(nèi)存要比使用HashSet要小的多，也適合大量數(shù)據(jù)的去重操作。缺點(diǎn)：有誤判的可能。沒有重復(fù)可能會(huì)判定重復(fù)，但是重復(fù)數(shù)據(jù)一定會(huì)判定重復(fù)。

布隆過濾器的實(shí)現(xiàn)

public class BloomFilter {
    /**
     * BitSet初始分配2^24個(gè)bit
     */
    private static final int DEFAULT_SIZE = 1 << 24;
    /**
     * 不同哈希函數(shù)的種子，一般應(yīng)取質(zhì)數(shù)
     */
    private static final int[] seeds = new int[]{5, 7, 11, 13, 31, 37};
    private BitSet bits = new BitSet(DEFAULT_SIZE);
    /**
     * 哈希函數(shù)對(duì)象
     */
    private SimpleHash[] func = new SimpleHash[seeds.length];
    public BloomFilter() {
        for (int i = 0; i < seeds.length; i++) {
            func[i] = new SimpleHash(DEFAULT_SIZE, seeds[i]);
        }
    }
    /**
     * 將url標(biāo)記到bits中
     *
     * @param str
     */
    public void add(String str) {
        for (SimpleHash f : func) {
            bits.set(f.hash(str), true);
        }
    }
    /**
     * 判斷是否已經(jīng)被bits標(biāo)記
     *
     * @param str
     * @return
     */
    public boolean contains(String str) {
        if (StringUtils.isBlank(str)) {
            return false;
        }
        boolean ret = true;
        for (SimpleHash f : func) {
            ret = ret && bits.get(f.hash(str));
        }
        return ret;
    }
    /**
     * 哈希函數(shù)類
     */
    public static class SimpleHash {
        private int cap;
        private int seed;
        public SimpleHash(int cap, int seed) {
            this.cap = cap;
            this.seed = seed;
        }
        /**
         * hash函數(shù)，采用簡(jiǎn)單的加權(quán)和hash
         *
         * @param value
         * @return
         */
        public int hash(String value) {
            int result = 0;
            int len = value.length();
            for (int i = 0; i < len; i++) {
                result = seed * result + value.charAt(i);
            }
            return (cap - 1) & result;
        }
    }
}

Pipeline組件

概述

Pileline是抽取結(jié)束后，進(jìn)行處理的部分，它主要用于抽取結(jié)果的保存，也可以定制Pileline可以實(shí)現(xiàn)一些通用的功能。

Pipeline是將PageProcessor抽取的結(jié)果，繼續(xù)進(jìn)行處理，在Pipeline中完成的功能，基本上也可以直接在PageProcessor實(shí)現(xiàn)。

Pipeline的接口定義

public interface Pipeline {
    // ResultItems保存了抽取結(jié)果，它是一個(gè)Map結(jié)構(gòu)
    // 在page.putField(key,value)中保存的數(shù)據(jù)，可以通過ResultItems.get(key)獲取
    public void process(ResultItems resultItems, Task task);
}

Pipeline存在原因

為了模塊分離?！绊?yè)面抽取”和“后處理、持久化”是爬蟲的兩個(gè)階段，將其分離開來，一個(gè)是代碼結(jié)構(gòu)比較清晰，另一個(gè)是以后也可能將其處理過程分開，分開在獨(dú)立的線程以至于不同的機(jī)器執(zhí)行。

Pipeline的功能比較固定，更容易做成通用組件。每個(gè)頁(yè)面的抽取方式千變?nèi)f化，但是后續(xù)處理方式則比較固定，例如保存到文件、保存到數(shù)據(jù)庫(kù)這種操作，這些對(duì)所有頁(yè)面都是通用的。

常用Pipeline

WebMagic中就已經(jīng)提供了控制臺(tái)輸出、保存到文件、保存為JSON格式的文件幾種通用的Pipeline。

在WebMagic里，一個(gè)Spider可以有多個(gè)Pipeline，使用Spider.addPipeline()即可增加一個(gè)Pipeline。

public static void main(String[] args) {
    Spider.create(new GithubRepoPageProcessor())
            // 初始訪問url地址
            .addUrl("https://github.com/code4craft")
            .addPipeline(new JsonFilePipeline("D:\\webmagic\\"))
            .addPipeline(new FilePipeline("D:\\webmagic\\"))
            //開啟5個(gè)線程抓取
            .thread(5)
            //啟動(dòng)爬蟲
            .run();
}

自定義Pipeline

基本Pipeline模式

在抽取的時(shí)候，將需要的數(shù)據(jù)保存為一個(gè)對(duì)象

public void process(Page page) {
DemoData  demoData=new DemoData();
demoData.setName("pipeline")
        page.putField("demoData", demoData);
}

創(chuàng)建自定義Pipeline，在Pipeline中，只要使用即可

@Component
public class MyDataPipeline  implements Pipeline {
    @Autowired
    private DemoService demoService;
    @Override
    public void process(ResultItems resultItems, Task task) {
        // 獲取封裝好的數(shù)據(jù)
        DemoData demoData= resultItems.get("demoData");
        if (demoData!= null) {
            // 把數(shù)據(jù)保存到數(shù)據(jù)庫(kù)中
            this.demoService.save(demoData);
        }
    }
}

注解模式

注解模式下，WebMagic內(nèi)置了一個(gè)PageModelPipeline

public interface PageModelPipeline<T> {
    // 傳入的是處理好的對(duì)象
    public void process(T t, Task task);
}

注解模式的入口是OOSpider，它繼承了Spider類，提供了特殊的創(chuàng)建方法。創(chuàng)建一個(gè)注解模式的爬蟲需要一個(gè)或者多個(gè)Model類，以及一個(gè)或者多個(gè)PageModelPipeline——定義處理結(jié)果的方式。

 public static void main(String[] args) {
        OOSpider.create(Site.me().setSleepTime(1000)
                        , new MyPipeline(), DemoData.class)
               //.addPageModel(new MyPipeline2(),DemoData2.class)
                .addUrl("https://github.com/code4craft").thread(5).run();
    }

自定義MyPipeline類實(shí)現(xiàn)PageModelPipeline

@Component
public class MyPipeline implements PageModelPipeline<DemoData> {
    @Autowired
    private DemoService demoService;
    @Override
    public void process(DemoData demoData, Task task) {
        if (demoData!= null) {
            // 把數(shù)據(jù)保存到數(shù)據(jù)庫(kù)中
            this.demoService.save(demoData);
        }
    }
}

“Java爬蟲框架之WebMagic怎么使用”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識(shí)可以關(guān)注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！