Java爬虫框架之WebMagic怎么使用
本篇内容介绍了“Java爬虫框架之WebMagic怎么使用”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
概述
WebMagic是一个简单灵活的Java爬虫框架。基于WebMagic，可以快速开发出一个高效、易维护的爬虫。
WebMagic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。
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
架构
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。
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。WebMagic的设计参考了Scapy，实现方式更加Java化一些。
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。
四大组件
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。
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。
数据流转对象
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。
除了URL本身外，它还包含一个Key-Value结构的字段extra。你可以在extra中保存一些特殊的属性，然后在其他地方读取，以完成不同的功能。例如附加上一个页面的一些信息等。
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。
ResultItems
ResultItems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。
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。
以下是一个设置各个组件，并且设置多线程和启动的例子。
public static void main(String[] args) {
Spider.create(new GithubRepoPageProcessor())
//从https://github.com/code4craft开始抓
.addUrl("https://github.com/code4craft")
//设置Scheduler，使用Redis来管理URL队列
.setScheduler(new RedisScheduler("localhost"))
//设置Pipeline，将结果以json方式保存到文件
.addPipeline(new JsonFilePipeline("D:\data\webmagic"))
//开启5个线程同时执行
.thread(5)
//启动爬虫
.run();
}WebMagic的基本使用
添加WebMagic的核心与扩展依赖
<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>爬虫实现
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()
//设置编码
.setCharset("utf8")
//设置超时时间，单位是ms毫秒
.setTimeOut(10000)
//设置重试的间隔时间
.setRetrySleepTime(3000)
//设置重试次数
.setSleepTime(3);
public Site getSite() {
return site;
}
public static void main(String[] args) {
Spider.create(new MyJobProcessor())
//初始访问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">爬虫的编写过程
实现PageProcessor
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
爬虫配置
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。
private Site site = Site.me()
//设置编码
.setCharset("utf8")
//设置超时时间，单位是ms毫秒
.setTimeOut(10000)
//设置重试的间隔时间
.setRetrySleepTime(3000)
//设置重试次数
.setSleepTime(3);抽取页面元素
页面元素的抽取是爬虫的核心部分：对于下载到的Html页面，如何从中抽取到想要的信息?
WebMagic主要使用三种抽取技术：XPath、正则表达式和CSS选择器。对于JSON格式的内容，可使用JsonPath进行解析
XPath
获取属性class=myClass的div标签，里面的h2标签的内容
page.getHtml().xpath("//div[@class=myClass]/h2/text()")CSS选择器
CSS选择器是与XPath类似的语言。Jsoup的选择器比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。
获取属性class为myClass的div标签下的直接子元素h2标签
page.getHtml().css("div.mt>h2").toString()可使用:nth-child(n)选择第几个元素，但是注意：需要使用直接子元素才可以选择第几个元素
如: 选择第一个元素
page.getHtml().css("div#myId > ul > li:nth-child(1) a").toString()正则表达式
正则表达式则是一种通用的文本抽取语言。在这里一般用于获取url地址。
匹配所有https://github.com/code4craft/webmagic这样的链接。
page.addTargetRequests(page.getHtml().links().regex("(https://github\.com/\w+/\w+)").all());
JsonPath
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。
链接的发现
一个站点的页面是很多的，一开始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());
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。
Selectable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，就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。
上述page.getHtml()返回的是一个Html对象，它实现了Selectable接口。这个接口包含一些重要的方法，将它分为两类：抽取部分和获取结果部分。
抽取部分API
抽取部分API返回的都是一个Selectable接口，是支持链式调用的。
获取结果的API
当链式调用结束时，一般都想要拿到一个字符串类型的结果。这时候就需要用到获取结果的API了。
一条抽取规则，无论是XPath、CSS选择器或者正则表达式，总有可能抽取到多条元素。WebMagic对这些进行了统一，可以通过不同的API获取到一个或者多个元素。
注意：当有多条数据的时候，使用get()和toString()都是获取第一个url地址。
使用Pipeline保存结果
如何将抓取的结果保存下来？WebMagic用于保存结果的组件叫做Pipeline。
例如通过“控制台输出结果”这件事也是通过一个内置的Pipeline完成的，它叫做ConsolePipeline。
想要把结果用Json的格式保存下来，只需要将Pipeline的实现换成"JsonFilePipeline"就可以了。
想要把结果用保存到文件中，只将Pipeline的实现换成"FilePipeline"就可以了。
public static void main(String[] args) {
Spider.create(new GithubRepoPageProcessor())
// 初始访问url地址
.addUrl("https://github.com/code4craft")
.addPipeline(new JsonFilePipeline("D:\webmagic\"))
//.addPipeline(new FilePipeline("D:\webmagic\"))
//开启5个线程抓取
.thread(5)
//启动爬虫
.run();
}爬虫的配置、启动和终止
Spider启动入口
Spider是爬虫启动的入口。在启动爬虫之前，需要使用一个PageProcessor创建一个Spider对象，然后使用run()进行启动。同时Spider的其他组件（Downloader、Scheduler、Pipeline）都可以通过set方法来进行设置。
Site爬虫配置
对站点本身的一些配置信息，例如编码、HTTP头、超时时间、重试策略等、代理等，都可以通过设置Site对象来进行配置。
rivate Site site = Site.me()
.setCharset("UTF-8")//编码
.setSleepTime(1)//抓取间隔时间
.setTimeOut(1000*10)//超时时间
.setRetrySleepTime(3000)//重试时间
.setRetryTimes(3);//重试次数配置代理
代理服务器
有些网站不允许爬虫进行数据爬取，因为会加大服务器的压力。其中一种最有效的方式是通过ip+时间进行鉴别，因为正常人不可能短时间开启太多的页面，发起太多的请求。
使用WebMagic可以设置爬取数据的时间，但是会大大降低爬取数据的效率。如果ip被禁了，就有必要使用代理服务器来爬取数据。
代理（Proxy），也称网络代理，是一种特殊的网络服务，允许一个网络终端（一般为客户端）通过这个服务与另一个网络终端（一般为服务器）进行非直接的连接。
提供代理服务的电脑系统或其它类型的网络终端称为代理服务器（Proxy Server）。一个完整的代理请求过程为：客户端首先与代理服务器创建连接，接着根据代理服务器所使用的代理协议，请求对目标服务器创建连接、或者获得目标服务器的指定资源。
使用代理服务器
WebMagic使用的代理对象是APIProxyProvider。代理由HttpClientDownloader设置。
ProxyProvider有一个默认实现：SimpleProxyProvider。它是一个基于简单Round-Robin的、没有失败检查的ProxyProvider。可以配置任意个候选代理，每次会按顺序挑选一个代理使用。它适合用在自己搭建的比较稳定的代理的场景。
如果需要根据实际使用情况对代理服务器进行管理（例如校验是否可用，定期清理、添加代理服务器等），只需要自己实现APIProxyProvider
在Spider启动入口处配置代理
public void Process() {
// 创建下载器Downloader
HttpClientDownloader httpClientDownloader = new HttpClientDownloader();
// 给下载器设置代理服务器信息
Proxy proxy = new Proxy("183.166.148.28", 64305);
httpClientDownloader.setProxyProvider(SimpleProxyProvider.from(proxy));
Spider.create(new ProxyTest())
// 淘宝获取本机IP地址
.addUrl("https://www.taobao.com/help/getip.php")
.setDownloader(httpClientDownloader)
.run();
}Scheduler组件
概述
Scheduler是WebMagic中进行URL管理的组件。
Scheduler包括两个作用：
对待抓取的URL队列进行管理。
对已抓取的URL进行去重。
WebMagic内置了几个常用的Scheduler。如果只是在本地执行规模比较小的爬虫，那么基本无需定制Scheduler
对Scheduler的内部实现进行了重构，去重部分被单独抽象成了一个接口：DuplicateRemover，从而可以为同一个Scheduler选择不同的去重方式，以适应不同的需要，目前提供了两种去重方式。
所有默认的Scheduler都使用HashSetDuplicateRemover来进行去重，除了RedisScheduler。
RedisScheduler是使用Redis的set进行去重，其他的Scheduler默认都使用HashSetDuplicateRemover来进行去重。
如果URL较多，使用HashSetDuplicateRemover会比较占用内存，可尝试BloomFilterDuplicateRemover
使用布隆过滤器
布隆过滤器 (Bloom Filter)是一种space efficient的概率型数据结构，用于判断一个元素是否在集合中。在垃圾邮件过滤的黑白名单方法、爬虫(Crawler)的网址判重模块中等等经常被用到。
哈希表也能用于判断元素是否在集合中，但是布隆过滤器只需要哈希表的1/8或1/4的空间复杂度就能完成同样的问题。
布隆过滤器可以插入元素，但不可以删除已有元素。其中的元素越多，误报率越大，但是漏报是不可能的。
原理：
布隆过滤器需要的是一个位数组(和位图类似)和K个映射函数(和Hash表类似)，在初始状态时，对于长度为m的位数组array，它的所有位被置0。
如果要使用BloomFilter，必须要加入以下依赖：
<!--WebMagic对布隆过滤器的支持-->
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>31.1-jre</version>
</dependency>添加布隆过滤器
public static void main(String[] args) {
Spider.create(new JobProcessor())
//初始访问url地址
.addUrl("https://github.com/code4craft")
.addPipeline(new FilePipeline("D:/webmagic/"))
.setScheduler(new QueueScheduler()
.setDuplicateRemover(new BloomFilterDuplicateRemover(10000000))) //参数设置需要对多少条数据去重
.thread(1)//设置线程数
.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;
}打开布隆过滤器BloomFilterDuplicateRemover，在isDuplicate方法处可断点验证
对比
HashSet
使用java中的HashSet不能重复的特点去重。优点是容易理解。使用方便。缺点：占用内存大，性能较低。
Redis去重
使用Redis的set进行去重。优点是速度快（Redis本身速度就很快），而且去重不会占用爬虫服务器的资源，可以处理更大数据量的数据爬取。缺点：需要准备Redis服务器，增加开发和使用成本。
布隆过滤器（BloomFilter）
使用布隆过滤器也可以实现去重。优点是占用的内存要比使用HashSet要小的多，也适合大量数据的去重操作。缺点：有误判的可能。没有重复可能会判定重复，但是重复数据一定会判定重复。
布隆过滤器的实现
public class BloomFilter {
/**
* BitSet初始分配2^24个bit
*/
private static final int DEFAULT_SIZE = 1 << 24;
/**
* 不同哈希函数的种子，一般应取质数
*/
private static final int[] seeds = new int[]{5, 7, 11, 13, 31, 37};
private BitSet bits = new BitSet(DEFAULT_SIZE);
/**
* 哈希函数对象
*/
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]);
}
}
/**
* 将url标记到bits中
*
* @param str
*/
public void add(String str) {
for (SimpleHash f : func) {
bits.set(f.hash(str), true);
}
}
/**
* 判断是否已经被bits标记
*
* @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;
}
/**
* 哈希函数类
*/
public static class SimpleHash {
private int cap;
private int seed;
public SimpleHash(int cap, int seed) {
this.cap = cap;
this.seed = seed;
}
/**
* hash函数，采用简单的加权和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组件
概述
Pileline是抽取结束后，进行处理的部分，它主要用于抽取结果的保存，也可以定制Pileline可以实现一些通用的功能。
Pipeline是将PageProcessor抽取的结果，继续进行处理，在Pipeline中完成的功能，基本上也可以直接在PageProcessor实现。
Pipeline的接口定义
public interface Pipeline {
// ResultItems保存了抽取结果，它是一个Map结构
// 在page.putField(key,value)中保存的数据，可以通过ResultItems.get(key)获取
public void process(ResultItems resultItems, Task task);
}Pipeline存在原因
为了模块分离。“页面抽取”和“后处理、持久化”是爬虫的两个阶段，将其分离开来，一个是代码结构比较清晰，另一个是以后也可能将其处理过程分开，分开在独立的线程以至于不同的机器执行。
Pipeline的功能比较固定，更容易做成通用组件。每个页面的抽取方式千变万化，但是后续处理方式则比较固定，例如保存到文件、保存到数据库这种操作，这些对所有页面都是通用的。
常用Pipeline
WebMagic中就已经提供了控制台输出、保存到文件、保存为JSON格式的文件几种通用的Pipeline。
在WebMagic里，一个Spider可以有多个Pipeline，使用Spider.addPipeline()即可增加一个Pipeline。
public static void main(String[] args) {
Spider.create(new GithubRepoPageProcessor())
// 初始访问url地址
.addUrl("https://github.com/code4craft")
.addPipeline(new JsonFilePipeline("D:\webmagic\"))
.addPipeline(new FilePipeline("D:\webmagic\"))
//开启5个线程抓取
.thread(5)
//启动爬虫
.run();
}自定义Pipeline
基本Pipeline模式
在抽取的时候，将需要的数据保存为一个对象
public void process(Page page) {
DemoData demoData=new DemoData();
demoData.setName("pipeline")
page.putField("demoData", demoData);
}创建自定义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) {
// 获取封装好的数据
DemoData demoData= resultItems.get("demoData");
if (demoData!= null) {
// 把数据保存到数据库中
this.demoService.save(demoData);
}
}
}注解模式
注解模式下，WebMagic内置了一个PageModelPipeline
public interface PageModelPipeline<T> {
// 传入的是处理好的对象
public void process(T t, Task task);
}注解模式的入口是OOSpider，它继承了Spider类，提供了特殊的创建方法。创建一个注解模式的爬虫需要一个或者多个Model类，以及一个或者多个PageModelPipeline——定义处理结果的方式。
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();
}自定义MyPipeline类实现PageModelPipeline
@Component
public class MyPipeline implements PageModelPipeline<DemoData> {
@Autowired
private DemoService demoService;
@Override
public void process(DemoData demoData, Task task) {
if (demoData!= null) {
// 把数据保存到数据库中
this.demoService.save(demoData);
}
}
}相关文章