webcollector是一个开源的Java网络爬虫框架。最近的爬虫改用java写了,对这一周的工作进行简要总结。对于内部机制了解不深入,主要侧重在应用。
一、环境搭建
需要安装一个webcollector的jar包,从官网上下载bin文件,解压,根据不同IDE的安装方式进行安装即可。
https://github.com/CrawlScript/WebCollector
关于使用,官网上提供了很多的例子,从GitHub上将整个Webcollector的工程下载下来,参照进行编码。
我直接在官方提供的工程上面建了个文件夹,进行编码。
二、基本使用
两个class,一个Model,一个抓取
1、Model类——封装了要抓取的那些字段
package cn.edu.hfut.dmic.webcollector.example.myCrawler.test; public class TongModel {
String fullName;
String shortName;
String time;
public String getFullName() {
return fullName;
} public void setFullName(String fullName) {
this.fullName = fullName;
} public String getShortName() {
return shortName;
} public void setShortName(String shortName) {
this.shortName = shortName;
} public String getTime() {
return time;
} public void setTime(String time) {
this.time = time;
}
}
2、Crawl类——定义了抓取规则
package cn.edu.hfut.dmic.webcollector.example.myCrawler.test;
import cn.edu.hfut.dmic.webcollector.crawler.DeepCrawler;
//import cn.edu.hfut.dmic.webcollector.example.util.ProxyCollector;
import cn.edu.hfut.dmic.webcollector.example.util.JDBCBase;
import cn.edu.hfut.dmic.webcollector.model.Links;
import cn.edu.hfut.dmic.webcollector.model.Page;
import cn.edu.hfut.dmic.webcollector.net.HttpRequesterImpl;
import cn.edu.hfut.dmic.webcollector.net.RandomProxyGenerator;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import org.springframework.jdbc.core.JdbcTemplate; import java.util.List;
public class CrawlTong extends DeepCrawler{
JdbcTemplate jdbcTemplate = JDBCBase.getInstance().getTemplete2();
public CrawlTong(String crawlPath){
super(crawlPath);
} @Override
public Links visitAndGetNextLinks(Page page) {
Document doc = page.getDoc();
boolean iRedirect = page.getResponse().getRedirect();
if(iRedirect)
return null;
TongModel tongModel = new TongModel();
Elements elementsAll = doc.getAllElements();
tongModel.setFullName(elementsAll.select("a.v3-branding_logo").text());
tongModel.setShortName(elementsAll.select("a.v3-branding_logo").attr("href"));
tongModel.setTime("2010-01-21");
saveToDB(tongModel);
return null;
}
public int saveToDB(TongModel m)
{
System.out.println(m.getFullName());
System.out.println(m.getShortName());
System.out.println(m.getTime());
String sql = "insert into tong(fullName,shortName,timer) values(?,?,?)";
int updates=jdbcTemplate.update(sql,m.getFullName(),m.getShortName(),m.getTime());
return 0;
}
public static void main(String[] args) throws Exception{
CrawlTong crawler = new CrawlTong("/tong");
crawler.addSeed("https://www.tzg.cn/");
crawler.start(1);
} }
继承自抓取父类,我采用的是继承DeepCrawler,相应的也可以继承自BreathCrawler。
主要是三个方法,当写完extends DeepCrawler,一般编辑器会提示你实现构造方法和重写visitAndGetNextLinks方法,然后需要创建一个main函数
(1)main函数,相当于爬虫的入口
① 新建一个爬虫
② 设定种子,即要爬取的URL
③ 可以设定爬取的线程数,crawler.setThreads(1); 可以并行爬行
④ 设定爬取的深度,crawler.start(10);
关于深度,我的理解是,初始种子是第一层;如果在爬取的过程中不断的加入新的URL,通过第一层新加入的就算第二层;以此类推
通常爬取的时候深度不好确认,最简单的办法就是设定个特别大的值
(2)visitAndGetNextLinks方法,页面解析
采用Jsoup的方法,对页面进行解析 http://www.open-open.com/jsoup/selector-syntax.htm
定义一个Model的对象,通过set的方式把数据存入model
再将Model存放到数据库中
(3)构造方法
关于构造方法,我目前的应用中基本没有修改,后续遇到再补充
(4)JdbcTemplate jdbcTemplate = JDBCBase.getInstance().getTemplete2();
这行代码,是数据库相关的配置
JDNCBase文件中的getTemplete2(),定义了连接哪个数据库
补充1:DAO
WebCollector本身融合了Spring框架(不知道这样说合不合理,本身对Java的框架理解不深),可以通过DAO的形式对数据进行存储。
package cn.edu.hfut.dmic.webcollector.example.myCrawler.test; import cn.edu.hfut.dmic.webcollector.example.util.GenericDaoImpl; import java.util.List; public class DataVaryDao extends GenericDaoImpl<DataVaryModel,Long> { public DataVaryDao(){super(DataVaryModel.class);} public Long add(DataVaryModel model)
{
return insert(model);
} public int updata(DataVaryModel model)
{
return this.update(model);
} public List<DataVaryModel> getDataBySql(String sql, List<Object> values)
{
return this.selectBySqlList(sql, values); } @Override
public long getCountBySqlList(String sql, List<Object> values) {
return 0;
}
}
dataList = dataDao.getDataBySql("select * from table where xmbm = ? and platform_id = ?", valueList);
dataModelDB = dataList.get(0); dataVaryModel=new DataVaryModel();
dataVaryModel.setData_id(dataModelDB.getId());
dataVaryModel.setKtje(ktje);
dataVaryModel.setXmzt(xmzt);
dataVaryModel.setTzrc(tzrc);
dataVaryModel.setCreate_date(new Timestamp(new Date().getTime()));
dataVaryDao.add(dataVaryModel);
上面就是定义了一个简单的DAO类,这个类也继承自一个基类;然后通过调用DAO中的方法进行数据存储
当然DAO对数据的增删改查等需要自己后台实现
补充2:动态增加种子
爬取的一个常见情况,一边爬网页,一边将网页中的URL加入到爬取队列中。
Links links=new Links();
for(int i=0;i<length;i++){
String temp=pre+elements1.get(i).attr("href");
System.out.println(temp);
System.out.println(elements1.get(i).text().trim());
links.add(temp);
} return links;
在visitAndGetNextLinks方法中,定义一个Links类型的变量,将URL加入变量中,返回即可
如上述提及的爬取深度,爬出初始URL页面获取的links就是第二层,一颗树形的结构,随着抓取的增加,深度不断加深
补充3:不动态增加种子,但是爬取新页面
还有一种情况,在爬取的过程中得到了新的URL,但是不想放入对爬取队列,想当下就拿到上面的数据。
String newUrl="http://www.xueshandai.com/invest/invest-record/"+xmbm;
try {
System.out.println(newUrl);
String html = requester.getResponse(newUrl).getHtml("UTF-8");
Pattern p = Pattern.compile("<div class=\"jtit3\">(.*?)</div>");
Matcher m = p.matcher(html);
System.out.println(m);
if(m.find()){
System.out.println("------find---------");
String s=m.group().split(":")[3].split("<")[0];
System.out.println(s.substring(0,s.length()-1));
tzrc = Integer.parseInt(s.substring(0,s.length()-1));
}
} catch (Exception e) {
e.printStackTrace();
}
requester.getResponse(newUrl).getHtml("UTF-8");
通过这样一条语句,可以直接得到url的HTML,不过存储的是String类型,可以通过正则进行解析,获取需要的数据。
补充4:对不同种类的URL进行分门处理
可能抓取队列中存放着不同类型的URL,对每一种爬取方案是不同的。
高大上的方法:定义抽取器
简单方法:字符串匹配
if(pageURL.contains("list")){}
else if (pageURL.contains("detail")){}
以上,就是目前遇到的一些情况,比较简单,还会再用两周。
后续内容:
(1)加代理(已经遇到封IP的情况了)、加头部文件
(2)抽取器
(3)解析Json文件、XML文件
(4)内部机制的学习调用