前言

  在自学了一些关于java爬虫的东西之后，我终于正式的接触了webmagic。这个东西怎么说呢？确实是没有jsoup那么好用，这玩意儿科不是轻量级的，因为要使用这个东西需要学更多的东西.例如:xpath语法，xpath轴，正则表达式(这个东西在好多语言中也都存在，但是在这个工具中使用我确实是没想到的，我没想到它还能用来匹配网址)，调度语法等等.

---

开搞

1.开源框架webmagic
  webmagic是一个开源的Java爬虫框架，目标是简化爬虫的开发流程，让开发者专注于逻辑功能的开发。webmagic的核心非常简单，但是覆盖爬虫的整个流程，也是很好的学习爬虫开发的材料。

  webmagic的主要特色：
   完全模块化的设计，强大的可扩展性。
   核心简单但是涵盖爬虫的全部流程，灵活而强大，也是学习爬虫入门的好材料。
   提供丰富的抽取页面API。
   无配置，但是可通过POJO+注解形式实现一个爬虫。
   支持多线程。
   支持分布式。
   支持爬取js动态渲染的页面。
   无框架依赖，可以灵活的嵌入到项目中去。

2.架构解析
  WebMagic项目代码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。扩展部分(webmagic-extension)提供一些便捷的功能，例如注解模式编写爬虫等。同时内置了一些常用的组件，便于爬虫开发。

  WebMagic的设计目标是尽量的模块化，并体现爬虫的功能特点。这部分提供非常简单、灵活的API，在基本不改变开发模式的情况下，编写一个爬虫。

  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。这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。而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。

  Downloader负责从互联网上下载页面，以便后续处理。WebMagic默认使用了ApacheHttpClient作为下载工具。

  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。

3.方法介绍

方法	说明	示例
create(PageProcessor)	创建Spider	Spider.create(new GithubRepoProcessor())
addUrl(String…)	添加初始的 URL	spider.addUrl("http://webmagic.io/docs/")
thread(n)	开启n个线程	spider.thread(5)
run()	启动，会阻塞 当前线程执行	spider.run()
start()/runAsync()	异步启动，当前线程继续执行	spider.start()
stop()	停止爬虫	spider.stop()
addPipeline(Pipeline)	添加一个 Pipeline，一个Spider可以有多个Pipeline	spider .addPipeline(new ConsolePipeline())
setScheduler(Scheduler)	设置Scheduler，一个Spider只能有个一个Scheduler	spider.setScheduler(new RedisScheduler())
setDownloader(Downloader)	设置Downloader，一个Spider只能有个一个Downloader	spider .setDownloader(new SeleniumDownloader())
get(String)	同步调用，并直接取得结果	ResultItems result = spider.get("http://webmagic.io/docs/")
getAll(String…)	同步调用，并直接取得一堆结果	List results = spider.getAll("http://webmagic.io/docs/","http://webmagic.io/xxx")

  同时Spider的其他组件（Downloader、Scheduler、Pipeline）都可以通过set方法来进行设置。

  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。

  Site用于定义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。

方法	说明	实例
setCharset(String)	设置编码	site.setCharset("utf-8")
setUserAgent(String)	设置 UserAgent	site.setUserAgent("Spider")
setTimeOut(int)	设置超时时间， 单位是毫秒	site.setTimeOut(3000)
setRetryTimes(int)	设置重试次数	site.setRetryTimes(3)
setCycleRetryTimes(int)	设置循环重试次数	site.setCycleRetryTimes(3)
addCookie(String,String)	添加一条cookie	site.addCookie("dotcomt_user","code4craft")
setDomain(String)	设置域名，需设置域名后，addCookie才可生效	site.setDomain("github.com")
addHeader(String,String)	添加一条addHeader	site.addHeader("Referer","https://github.com")
setHttpProxy(HttpHost)	设置Http代理	site.setHttpProxy(new HttpHost("127.0.0.1",8080))

4.Pipeline
4.1 ConsolePipeline 控制台输出

4.2 FilePipeline 文件保存

4.3 JsonFilePipelin，以json的格式存储

4.4 定制Pipeline

5.Scheduler
5.1 内存队列 使用setScheduler来设置Scheduler

5.2 文件队列 使用文件保存抓取URL，可以在关闭程序并下次启动时，从之前抓取到的URL继续抓取，创建文件夹E:\schedule

运行后文件夹E:\scheduler会产生两个文件blog.csdn.net.urls.txt和blog.csdn.net.cursor.txt

5.3 Redis队列 使用Redis保存抓取队列，可进行多台机器同时合作抓取，要运行redis服务端

6.XPath语法
6.1 选取节点：

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性。

6.2 谓语
谓语用来查找某个特定的节点或者包含某个指定的值的节点。
谓语被嵌在方括号中

表达式	含义
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个book 元素。
/bookstore/book[position()<3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang='eng']	选取所有 title 元素，且这些元素拥有值为 eng的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有title 元素，且其中的 price 元素的值须大于35.00。

6.3 通配符
XPath 通配符可用来选取未知的 XML 元素，通配指定节点。

表达式	描述	用法	说明
*	匹配任何元素节点	xpath（/div/*）	选取div下的所有子节点
@*	匹配任何属性节点	xpath(/div[@*])	选取所有带属性的div节点
node()	匹配任何类型的节点	xpath(//div[@class=’tb_cls’]).node()	选择标签为div且类属性为tb_cls的所有标签

6.4 多路径选择
通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

用法	说明
xpath（//book/title* |*//book/price）	选取 book 元素的所有 title 和 price 元素。
xpath（//title| //price）	选取文档中的所有 title 和 price 元素

6.5 XPath 轴
轴可定义相对于当前节点的节点集。

表达式	描述	用法	说明
ancestor	选取当前节点的所有先辈（父、祖父等）	xpath(//div[@id=’123’]/ancestor::*)	选择标签为div且ID号为123的所有先辈标签
ancestoror-self	选取当前节点的所有先辈（父、祖父等）以及当前节点本身	xpath(//div[@id=’123’]/ancestor-orself::*)	选择标签为div且ID号为123的所有先辈标签且包含自己
attribute	选取当前节点的所有属性	xpath(//div[@id=’123’]/attribute::class)	选择标签为div且ID号为123的类属性名称选择标签
child	选取当前节点的所有子元素	xpath(//div[@id=’123’]/child::book)	为div且ID号为123的所有子元素的为book节点
descendant	选取当前节点的所有后代元素（子、孙等）	xpath(./descendant::*)	返回当前节点的所有后代节点（子节点、孙节点）
following	选取文档中当前节点结束标签后的所有节点	xpath(./following::*)	选取文档中当前节点结束标签后的所有节点
parent	选取当前节点的父节点	xpath(./parent::*)	选取当前节点的父节点
preceding	选取文档中当前节点的开始标签之前的所有节点	xpath(//div[@id=’123’]/preceding::*)	选择标签为div且ID号为123的开始标签之前的所有节点
precedingsibling	选取当前节点之前的所有同级节点	xpath(//div[@id=’123’]/precedingsibling::*)	选择标签为div且ID号为123的之前的所有同级节点
self	选取当前节点	xpath(./self::*)	选取当前节点

6.6 XPath 运算符

表达式	描述	用法	说明
+	加法	6 + 4	10
-	减法	6 - 4	2
*	乘法	6 * 4	24
div	除法	8 div 4	2
=	等于	price=9.80	如果 price 是 9.80，则返回 true。如果price 是 9.90，则返回 false。
!=	不等于	price!=9.80	如果 price 是 9.90，则返回 true。如果price 是 9.80，则返回 false。
<	小于	price<9.80	如果 price 是 9.00，则返回 true。如果price 是 9.90，则返回 false。
<=	小于或等于	price<=9.80	如果 price 是 9.00，则返回 true。如果price 是 9.90，则返回 false。
>	大于	price>9.80	如果 price 是 9.90，则返回 true。如果price 是 9.80，则返回 false。
>=	大于或等于	price>=9.80	如果 price 是 9.90，则返回 true。如果price 是 9.70，则返回 false。
or	或	price=9.80 or price=9.70	如果 price 是 9.80，则返回 true。如果price 是 9.50，则返回 false。
and	与	price>9.00 and price<9.90	如果 price 是 9.80，则返回 true。如果price 是 8.50，则返回 false。
mod	计算除法的余数	5 mod 2	1

6.7 常用的功能函数
使用功能函数能够更好的进行模糊搜索

表达式	描述	用法	说明
startswith	选取id值以ma开头的div节点	xpath(‘//div[startswith(@id,”ma”)]‘)	选取id值以ma开头的div节点
contains	选取id值包含ma的div节点	xpath(‘//div[contains(@id,”ma”)]‘)	选取id值包含ma的div节点
and	选取id值包含ma和in的div节点	xpath(‘//div[contains(@id,”ma”) and contains(@id,”in”)]‘)	选取id值包含ma和in的div节点
text()	选取节点文本包含ma的div节点	xpath(‘//div[contains(text(),”ma”)]‘)	选取节点文本包含ma的div节点

7.Selectable

方法	说明	示例
xpath(String xpath)	使用XPath选择	html.xpath("//div[@class='title']")
$(String selector)	使用Css选择器选择	html.$("div.title")
$(String selector,String attr)	使用Css选择器选择	html.$("div.title","text")
css(String selector)	功能同$()，使用Css选择器选择	html.css("div.title")
links()	选择所有链接	html.links()
regex(String regex)	使用正则表达式抽取	html.regex("<div>(.*?)")
regex(String regex,int group)	使用正则表达式抽取，并指定捕获组	html.regex("<div>(.*?)",1)
replace(String regex, String replacement)	替换内容	html.replace("","")

返回结果

方法	说明	示例
get()	返回一条String类型的结果	String link= html.links().get()
toString()	功能同get()，返回一条String类型的结果	String link= html.links().toString()
all()	返回所有抽取结果	List links= html.links().all()
match()	是否有匹配结果	if (html.links().match()){ xxx; }