本篇文章給大家?guī)砹岁P(guān)于java的相關(guān)知識，其中主要介紹了關(guān)于WebMagic的相關(guān)內(nèi)容，WebMagic是一個簡單靈活的Java爬蟲框架，分為核心和擴(kuò)展兩部分，下面一起來看一下，希望對大家有幫助。

程序員必備接口測試調(diào)試工具：立即使用
Apipost = Postman + Swagger + Mock + Jmeter
Api設(shè)計(jì)、調(diào)試、文檔、自動化測試工具
后端、前端、測試，同時在線協(xié)作，內(nèi)容實(shí)時同步

推薦學(xué)習(xí)：《java視頻教程》

概述

WebMagic是一個簡單靈活的Java爬蟲框架?；赪ebMagic，可以快速開發(fā)出一個高效、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)是一個精簡的、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。

在這四個組件中，PageProcessor對于每個站點(diǎn)每個頁面都不一樣，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)庫等。WebMagic默認(rèn)提供了“輸出到控制臺”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，則需要編寫對應(yīng)的Pipeline。對于一類需求一般只需編寫一個Pipeline。

數(shù)據(jù)流轉(zhuǎn)對象

Request

Request是對URL地址的一層封裝，一個Request對應(yīng)一個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。例如附加上一個頁面的一些信息等。

Page

Page代表了從Downloader下載到的一個頁面——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的一個屬性，這些屬性是可以自由設(shè)置的，通過設(shè)置這個屬性可以實(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、停止、多線程等功能。

以下是一個設(shè)置各個組件，并且設(shè)置多線程和啟動的例子。

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個線程同時執(zhí)行             .thread(5)             //啟動爬蟲             .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)置超時時間，單位是ms毫秒             .setTimeOut(10000)             //設(shè)置重試的間隔時間             .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的定制分為三個部分，分別是爬蟲的配置、頁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、超時時間、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)置超時時間，單位是ms毫秒             .setTimeOut(10000)             //設(shè)置重試的間隔時間             .setRetrySleepTime(3000)             //設(shè)置重試次數(shù)             .setSleepTime(3);

抽取頁面元素

頁面元素的抽取是爬蟲的核心部分：對于下載到的Html頁面，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h1標(biāo)簽的內(nèi)容

page.getHtml().xpath("//div[@class=myClass]/h1/text()")

CSS選擇器

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

獲取屬性class為myClass的div標(biāo)簽下的直接子元素h1標(biāo)簽

page.getHtml().css("div.mt>h1").toString()

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

如: 選擇第一個元素

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很類似的一個語言，它用于從Json中快速定位一條內(nèi)容。

鏈接的發(fā)現(xiàn)

一個站點(diǎn)的頁面是很多的，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的一個核心功能。使用Selectable接口，就可以直接完成頁面元素的鏈?zhǔn)匠槿?，也無需去關(guān)心抽取的細(xì)節(jié)。

上述page.getHtml()返回的是一個Html對象，它實(shí)現(xiàn)了Selectable接口。這個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，一般都想要拿到一個字符串類型的結(jié)果。這時候就需要用到獲取結(jié)果的API了。

一條抽取規(guī)則，無論是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對這些進(jìn)行了統(tǒng)一，可以通過不同的API獲取到一個或者多個元素。

注意：當(dāng)有多條數(shù)據(jù)的時候，使用get()和toString()都是獲取第一個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“控制臺輸出結(jié)果”這件事也是通過一個內(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個線程抓取             .thread(5)             //啟動爬蟲             .run(); }

爬蟲的配置、啟動和終止

Spider啟動入口

Spider是爬蟲啟動的入口。在啟動爬蟲之前，需要使用一個PageProcessor創(chuàng)建一個Spider對象，然后使用run()進(jìn)行啟動。同時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

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

rivate Site site = Site.me()         .setCharset("UTF-8")//編碼         .setSleepTime(1)//抓取間隔時間         .setTimeOut(1000*10)//超時時間         .setRetrySleepTime(3000)//重試時間         .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哟蠓?wù)器的壓力。其中一種最有效的方式是通過ip+時間進(jìn)行鑒別，因?yàn)檎Ｈ瞬豢赡芏虝r間開啟太多的頁面，發(fā)起太多的請求。

使用WebMagic可以設(shè)置爬取數(shù)據(jù)的時間，但是會大大降低爬取數(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)，允許一個網(wǎng)絡(luò)終端（一般為客戶端）通過這個服務(wù)與另一個網(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）。一個完整的代理請求過程為：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，請求對目標(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使用的代理對象是APIProxyProvider。代理由HttpClientDownloader設(shè)置。

ProxyProvider有一個默認(rèn)實(shí)現(xiàn)：SimpleProxyProvider。它是一個基于簡單Round-Robin的、沒有失敗檢查的ProxyProvider。可以配置任意個候選代理，每次會按順序挑選一個代理使用。它適合用在自己搭建的比較穩(wěn)定的代理的場景。

如果需要根據(jù)實(shí)際使用情況對代理服務(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包括兩個作用：

對待抓取的URL隊(duì)列進(jìn)行管理。

對已抓取的URL進(jìn)行去重。

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

對Scheduler的內(nèi)部實(shí)現(xiàn)進(jìn)行了重構(gòu)，去重部分被單獨(dú)抽象成了一個接口：DuplicateRemover，從而可以為同一個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，誤報率越大，但是漏報是不可能的。

原理：

布隆過濾器需要的是一個位數(shù)組(和位圖類似)和K個映射函數(shù)(和Hash表類似)，在初始狀態(tài)時，對于長度為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)可能會判定重復(fù)，但是重復(fù)數(shù)據(jù)一定會判定重復(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?！绊撁娉槿　焙汀昂筇幚怼⒊志没笔桥老x的兩個階段，將其分離開來，一個是代碼結(jié)構(gòu)比較清晰，另一個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。每個頁面的抽取方式千變?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)庫這種操作，這些對所有頁面都是通用的。

常用Pipeline

WebMagic中就已經(jīng)提供了控制臺輸出、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Spider可以有多個Pipeline，使用Spider.addPipeline()即可增加一個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個線程抓取             .thread(5)             //啟動爬蟲             .run(); }

自定義Pipeline

基本Pipeline模式

在抽取的時候，將需要的數(shù)據(jù)保存為一個對象

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)庫中             this.demoService.save(demoData);         }     } }

注解模式

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

public interface PageModelPipeline<T> {     // 傳入的是處理好的對象     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)建一個注解模式的爬蟲需要一個或者多個Model類，以及一個或者多個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)庫中             this.demoService.save(demoData);         }     } }

推薦學(xué)習(xí)：《java視頻教程》