springboot+webmagic实现java爬虫jdbc及mysql的方法

前段时间需要爬取网页上的信息，自己对于爬虫没有任何了解，就了解了一下webmagic，写了个简单的爬虫。

一、首先介绍一下webmagic：

webmagic采用完全模块化的设计，功能覆盖整个爬虫的生命周期(链接提取、页面下载、内容抽取、持久化)，支持多线程抓取，分布式抓取，并支持自动重试、自定义ua/cookie等功能。

实现理念：

maven依赖：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

<dependency> <groupid>us.codecraft</groupid> <artifactid>webmagic-core</artifactid> <version>0.7.3</version> </dependency> <dependency> <groupid>us.codecraft</groupid> <artifactid>webmagic-extension</artifactid> <version>0.7.3</version> </dependency> <dependency> <groupid>us.codecraft</groupid> <artifactid>webmagic-extension</artifactid> <version>0.7.3</version> <exclusions> <exclusion> <groupid>org.slf4j</groupid> <artifactid>slf4j-log4j12</artifactid> </exclusion> </exclusions> </dependency>

jdbc模式：

ublic class csdnblogdao {
  private connection conn = null;
  private statement stmt = null;

  public csdnblogdao() {
    try {
      class.forname("com.mysql.jdbc.driver");
      string url = "jdbc:mysql://localhost:3306/test?"
          + "user=***&password=***3&useunicode=true&characterencoding=utf8";
      conn = drivermanager.getconnection(url);
      stmt = conn.createstatement();
    } catch (classnotfoundexception e) {
      e.printstacktrace();
    } catch (sqlexception e) {
      e.printstacktrace();
    }

  }

  public int add(csdnblog csdnblog) {
    try {
      string sql = "insert into `test`.`csdnblog` (`keyes`, `titles`, `content` , `dates`, `tags`, `category`, `views`, `comments`, `copyright`) values (?, ?, ?, ?, ?, ?, ?, ?,?);";
      preparedstatement ps = conn.preparestatement(sql);
      ps.setint(1, csdnblog.getkey());
      ps.setstring(2, csdnblog.gettitle());
      ps.setstring(3,csdnblog.getcontent());
      ps.setstring(4, csdnblog.getdates());
      ps.setstring(5, csdnblog.gettags());
      ps.setstring(6, csdnblog.getcategory());
      ps.setint(7, csdnblog.getview());
      ps.setint(8, csdnblog.getcomments());
      ps.setint(9, csdnblog.getcopyright());
      return ps.executeupdate();
    } catch (sqlexception e) {
      e.printstacktrace();
    }
    return -1;
  }
}

实体类：

1. public class csdnblog { 
2.   private int key;// 编号 
3.  
4.   private string title;// 标题 
5.  
6.   private string dates;// 日期 
7.  
8.   private string tags;// 标签 
9.  
10.   private string category;// 分类 
11.  
12.   private int view;// 阅读人数 
13.  
14.   private int comments;// 评论人数 
15.  
16.   private int copyright;// 是否原创 
17.  
18.   private string content; //文字内容 
19.  
20.   public string getcontent() { 
21.     return content; 
22.   } 
23.  
24.   public void setcontent(string content) { 
25.     this.content = content; 
26.   } 
27.  
28.   public int getkey() { 
29.     return key; 
30.   } 
31.  
32.   public void setkey(int key) { 
33.     this.key = key; 
34.   } 
35.  
36.   public string gettitle() { 
37.     return title; 
38.   } 
39.  
40.   public void settitle(string title) { 
41.     this.title = title; 
42.   } 
43.  
44.   public string getdates() { 
45.     return dates; 
46.   } 
47.  
48.   public void setdates(string dates) { 
49.     this.dates = dates; 
50.   } 
51.  
52.   public string gettags() { 
53.     return tags; 
54.   } 
55.  
56.   public void settags(string tags) { 
57.     this.tags = tags; 
58.   } 
59.  
60.   public string getcategory() { 
61.     return category; 
62.   } 
63.  
64.   public void setcategory(string category) { 
65.     this.category = category; 
66.   } 
67.  
68.   public int getview() { 
69.     return view; 
70.   } 
71.  
72.   public void setview(int view) { 
73.     this.view = view; 
74.   } 
75.  
76.   public int getcomments() { 
77.     return comments; 
78.   } 
79.  
80.   public void setcomments(int comments) { 
81.     this.comments = comments; 
82.   } 
83.  
84.   public int getcopyright() { 
85.     return copyright; 
86.   } 
87.  
88.   public void setcopyright(int copyright) { 
89.     this.copyright = copyright; 
90.   } 
91.   public string tostring() { 
92.     return "csdnblog [key=" + key + ", title=" + title + ", content=" + content + ",dates=" + dates + ", tags=" + tags + ", category=" 
93.         + category + ", view=" + view + ", comments=" + comments + ", copyright=" + copyright + "]"; 
94.   } 
95. } 

启动类：

public class csdnblogpageprocessor implements pageprocessor {


  private static string username="chenyufeng1991"; // 设置csdn用户名

  private static int size = 0;// 共抓取到的文章数量

  // 抓取网站的相关配置，包括：编码、抓取间隔、重试次数等
  private site site = site.me().setretrytimes(3).setsleeptime(1000);

  public site getsite() {
    return site;
  }


  // process是定制爬虫逻辑的核心接口，在这里编写抽取逻辑
  public void process(page page) {
    // 列表页
    if (!page.geturl().regex("http://blog.csdn.net/" + username + "/article/details/d+").match()) {
      // 添加所有文章页
      page.addtargetrequests(page.gethtml().xpath("//div[@id='article_list']").links()// 限定文章列表获取区域
          .regex("/" + username + "/article/details/d+")
          .replace("/" + username + "/", "http://blog.csdn.net/" + username + "/")// 巧用替换给把相对url转换成绝对url
          .all());
      // 添加其他列表页
      page.addtargetrequests(page.gethtml().xpath("//div[@id='papelist']").links()// 限定其他列表页获取区域
          .regex("/" + username + "/article/list/d+")
          .replace("/" + username + "/", "http://blog.csdn.net/" + username + "/")// 巧用替换给把相对url转换成绝对url
          .all());
      // 文章页
    } else {
      size++;// 文章数量加1
      // 用csdnblog类来存抓取到的数据，方便存入数据库
      csdnblog csdnblog = new csdnblog();
      // 设置编号
      csdnblog.setkey(integer.parseint(
          page.geturl().regex("http://blog.csdn.net/" + username + "/article/details/(d+)").get()));
      // 设置标题
      csdnblog.settitle(
          page.gethtml().xpath("//div[@class='article_title']//span[@class='link_title']/a/text()").get());

      //设置内容
      csdnblog.setcontent(
          page.gethtml().xpath("//div[@class='article_content']/alltext()").get());

      // 设置日期
      csdnblog.setdates(
          page.gethtml().xpath("//div[@class='article_r']/span[@class='link_postdate']/text()").get());
      // 设置标签（可以有多个，用,来分割）
      csdnblog.settags(listtostring(page.gethtml().xpath("//div[@class='article_l']/span[@class='link_categories']/a/alltext()").all()));
      // 设置类别（可以有多个，用,来分割）
      csdnblog.setcategory(listtostring(page.gethtml().xpath("//div[@class='category_r']/label/span/text()").all()));
      // 设置阅读人数
      csdnblog.setview(integer.parseint(page.gethtml().xpath("//div[@class='article_r']/span[@class='link_view']")
          .regex("(d+)人阅读").get()));
      // 设置评论人数
      csdnblog.setcomments(integer.parseint(page.gethtml()
          .xpath("//div[@class='article_r']/span[@class='link_comments']").regex("((d+))").get()));
      // 设置是否原创
      csdnblog.setcopyright(page.gethtml().regex("bog_copyright").match() ? 1 : 0);
      // 把对象存入数据库
      new csdnblogdao().add(csdnblog);
      // 把对象输出控制台
      system.out.println(csdnblog);
    }
  }

  // 把list转换为string，用,分割
  public static string listtostring(list<string> stringlist) {
    if (stringlist == null) {
      return null;
    }
    stringbuilder result = new stringbuilder();
    boolean flag = false;
    for (string string : stringlist) {
      if (flag) {
        result.append(",");
      } else {
        flag = true;
      }
      result.append(string);
    }
    return result.tostring();
  }

  public static void main(string[] args) {
    long starttime, endtime;
    system.out.println("【爬虫开始】...");
    starttime = system.currenttimemillis();
    // 从用户博客首页开始抓，开启5个线程，启动爬虫
    spider.create(new csdnblogpageprocessor()).addurl("http://blog.csdn.net/" + username).thread(5).run();
    endtime = system.currenttimemillis();
    system.out.println("【爬虫结束】共抓取" + size + "篇文章，耗时约" + ((endtime - starttime) / 1000) + "秒，已保存到数据库，请查收！");
  }
}

使用mysql类型：

public class gamepageprocessor implements pageprocessor {

  private static final logger logger = loggerfactory.getlogger(gamepageprocessor.class);
  private static dianjingservice d;
  private static bannerservice bs;
  private static sportservice ss;
  private static yulenewsservice ys;

  private static updateservice ud ;
  // 抓取网站的相关配置，包括：编码、抓取间隔、重试次数等
  private site site = site.me().setretrytimes(3).setsleeptime(1000);

  public site getsite() {
    return site;
  }
  // process是定制爬虫逻辑的核心接口，在这里编写抽取逻辑
  public static void main(string[] args) {
    configurableapplicationcontext context= springapplication.run(gamepageprocessor.class, args);
     d = context.getbean(dianjingservice.class);
    //spider.create(new gamepageprocessor()).addurl("网址").thread(5).run();
  }

  public void process(page page) {
    selectable url = page.geturl();
    if (url.tostring().equals("网址")) {
      dianjingvideo dv = new dianjingvideo();
      list<string> ls = page.gethtml().xpath("//div[@class='v']/div[@class='v-meta va']/div[@class='v-meta-title']/a/text()").all();
      //hrefs
      list<string> ls1 = page.gethtml().xpath("//div[@class='v']/div[@class='v-link']/a/@href").all();//获取a标签的href

      list<string> ls2 = page.gethtml().xpath("//div[@class='v']/div[@class='v-meta va']/div[@class='v-meta-entry']/div[@class='v-meta-data']/span[@class='r']/text()").all();
      //photo
      list<string> ls3 = page.gethtml().xpath("//div[@class='v']/div[@class='v-thumb']/img/@src").all();

      for (int i = 0; i < 5; i++) {
        dv.settitles(ls.get(i));
        dv.setcategory("");
        dv.setdates(ls2.get(i));
        dv.sethrefs(ls1.get(i));
        dv.setphoto(ls3.get(i));
        dv.setsources("");

        d.addvideo(dv);

      }
    }
}

controller：

1. @controller 
2. @requestmapping(value = "/dianjing") 
3. public class dianjingcontroller { 
4.   @autowired 
5.   private dianjingservice s; 
6.  
7.  
8.  
9.  
10.     /* 
11.     手游 
12.      */ 
13.   @requestmapping("/dianjing") 
14.   @responsebody 
15.   public object dianjing(){ 
16.     list<dianjing> list = s.find2(); 
17.     jsonobject jo = new jsonobject(); 
18.     if(list!=null){ 
19.  
20.       jo.put("code",0); 
21.       jo.put("success",true); 
22.       jo.put("count",list.size()); 
23.       jo.put("list",list); 
24.     } 
25.     return jo; 
26.   } 
27. } 

实体类就不展示了

dao层

@insert("insert into dianjing (titles,dates,category,hrefs,photo,sources) values(#{titles},#{dates},#{category},#{hrefs},#{photo},#{sources})")
int adddj(dianjing dj);

以上这篇springboot+webmagic实现java爬虫jdbc及mysql的方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。

原文链接：https://www.cnblogs.com/NCL--/p/8608336.html