爬虫框架介绍
java爬虫框架非常多，比如较早的有Heritrix，轻量级的crawler4j，还有现在最火的WebMagic。
他们各有各的优势和劣势，我这里顺便简单介绍一下吧。
Heritrix
优势
java的第一批爬虫框架，拥有独立的后台页面，可以实现界面操作去爬去网页。
劣势
相对其他框架，代码相对臃肿，上手难度较高，解析网页不如其他框架灵活。
简单demo地址
https://github.com/a252937166/Heritrix
crawler4j
优势
代码相当轻量级，可实现多线程爬取，上手难度低。
劣势
封装程度太低，很多功能需要开发者自己封装实现，多线程下，很容易重复爬取相同资源。
简单demo地址
https://github.com/a252937166/crawler4j
WebMagic
优势
这框架我们公司在用，各方面都比较完美吧，上手难度低，社区活跃度也较高，有问题可以得到及时反馈。
劣势
没有持久层框架的封装，需要自己实现。
简单demo地址
这个框架我没有自己的demo，大家可以去开发者的GitHub看看
https://github.com/code4craft/webmagic
快速入门
seimicrawler
我这里推荐使用seimicrawler，个人感觉这个框架配合JsoupXpath，解析网页真心非常方便，而且框架整合了spring，用起来也很顺手。
项目地址
中文官网地址：http://seimicrawler.org/
官方Github地址：https://github.com/zhegexiaohuozi/SeimiCrawler
自己修改项目地址：https://github.com/a252937166/seimicrawler/
简单爬虫实现
导入项目
下载源码，解压后把demo目录的文件单独拿出来，project目录不用管，里面是这个框架的一些源码，demo直接maven依赖它就可以了。
以maven的形式，导入demo，等待jar拉取玩，项目不报错就说明导入成功了。
编写爬虫
打开crawlers文件夹，里面每个文件都是一个爬虫，我们可以学习一下Basic，这是开发者写的最简单的爬虫demo，其他的都可以以此内推。
package com.ouyang.crawlers;
import cn.wanghaomiao.seimi.annotation.Crawler;
import cn.wanghaomiao.seimi.def.BaseSeimiCrawler;
import cn.wanghaomiao.seimi.struct.Request;
import cn.wanghaomiao.seimi.struct.Response;
import cn.wanghaomiao.xpath.model.JXDocument;
import java.util.HashMap;
import java.util.List;
import java.util.Map;
/**
* @author 汪浩淼 [et.tw@163.com]
* @since 2015/10/21.
*/
@Crawler(name = "basic")
public class Basic extends BaseSeimiCrawler {
@Override
public String[] startUrls() {
//两个是测试去重的
return new String[]{"http://www.cnblogs.com/","http://www.cnblogs.com/"};
}
@Override
public void start(Response response) {
JXDocument doc = response.document();
try {
List<Object> urls = doc.sel("//a[@class='titlelnk']/@href");
logger.info("{}", urls.size());
Map map = new HashMap();
map.put("ddd","aaa");
for (Object s:urls){
push(new Request(s.toString(),"getTitle").setParams(map));
}
} catch (Exception e) {
e.printStackTrace();
}
}
public void getTitle(Response response){
JXDocument doc = response.document();
try {
logger.info("url:{} {}", response.getUrl(), doc.sel("//h1[@class='postTitle']/a/text()|//a[@id='cb_post_title_url']/text()"));
//do something
} catch (Exception e) {
e.printStackTrace();
}
}
}
我来解释一下，response.document()表示把网页返回信息解析为一个JXDocument类，JXDocument支持JsoupXpath语法，比如//a[@class='titlelnk']/@href，表示从网页根目录下，查找<a class='titlelnk'></>，并获取其href的值。具体语法可以见http://www.w3school.com.cn/xpath/xpath_syntax.asp。
爬虫需要实现的具体业务，在start()方法里实现就行了，想要继续爬取新的网页，用push()实现，push()会新开启一个线程，push(new Request(s.toString(),"getTitle").setParams(map)，表示爬取s.toString()，这个网页，并且回调getTitle()方法。
@Crawler(name = "basic")表示爬虫名字。
启动爬虫
可以写一个main函数，new 一个Semi()对象，调用其goRun()方法机型了。
public class Boot {
public static void main(String[] args){
Seimi s = new Seimi();
s.goRun("basic");
}
}以上代码就表示启动basic爬虫，运行main函数就开始爬取网页了。 