08. Springboot集成webmagic实现网页爬虫

目录

1、前言

2、WebMagic

3、Springboot集成Webmagic

3.1、创建Springboot，并引入webmagic依赖

3.2、定义PageProcessor

3.3、元素选择

3.3.1、F12查看网页元素

3.3.2、元素选择

3.3.3、注意事项

4、小结

---

1、前言

在信息化的时代，网络爬虫已经成为我们获取和处理大规模网络数据的重要工具。如果将现有网络上的海量数据使用爬虫工具将数据爬取保存下来，并进行分析，就可以挖掘出一些潜在的价值。而现在市面上也出现了很多爬虫工具以及爬虫框架，今天将介绍下Java体系下一款简单使用的爬虫框架WebMagic，并可以很简单的与Springboot进行集成。

2、WebMagic

WebMagic是一款基于Java的开源爬虫框架，支持注解和设计模式，简化了爬取任务的实现。官网地址：Introduction · WebMagic Documents。

官网给出的概述：

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。WebMagic的架构设计参照了Scrapy，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。

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。

另外WebMagic还包括一些外围扩展和一个正在开发的产品化项目webmagic-avalon。

官网给出的总体架构设计图：

总架构图中我们可以发现几个核心模块，分别为Pipeline，Scheduler，Downloader，PageProcesser。其中PageProcesser便是我们今天会用到的用于实现网页内容处理的类。

3、Springboot集成Webmagic

需求场景：爬取百度搜索引擎上的热搜数据，包含标题和连接。也就是首页右侧的内容。

3.1、创建Springboot，并引入webmagic依赖

目前webmagic最新依赖版本为0.10.0。

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>
    <parent>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-parent</artifactId>
        <version>3.2.1</version>
        <relativePath/> <!-- lookup parent from repository -->
    </parent>
    <groupId>com.example</groupId>
    <artifactId>springboot-webmagic</artifactId>
    <version>0.0.1-SNAPSHOT</version>
    <name>springboot-webmagic</name>
    <description>springboot-webmagic</description>
    <properties>
        <java.version>17</java.version>
    </properties>
    <dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter</artifactId>
        </dependency>

        <!-- webmagic核心库 -->
        <dependency>
            <groupId>us.codecraft</groupId>
            <artifactId>webmagic-core</artifactId>
            <version>0.10.0</version>
        </dependency>


        <!-- webmagic扩展库 -->
        <dependency>
            <groupId>us.codecraft</groupId>
            <artifactId>webmagic-extension</artifactId>
            <version>0.10.0</version>
        </dependency>

        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-test</artifactId>
            <scope>test</scope>
        </dependency>
    </dependencies>

    <build>
        <plugins>
            <plugin>
                <groupId>org.springframework.boot</groupId>
                <artifactId>spring-boot-maven-plugin</artifactId>
            </plugin>
        </plugins>
    </build>

</project>

3.2、定义PageProcessor

创建一个网页内容处理器类BaiduHotSearchPageProcessor，用于访问http://www.baidu.com地址，以及对他的网页内容进行解析。

public class BaiduHotSearchPageProcessor implements PageProcessor {

    // 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(100);

    /**
     * 定制爬虫逻辑的核心接口，在这里编写抽取逻辑
     * @param page
     */
    @Override
    public void process(Page page) {

        System.out.println(page.getHtml());
        /**
         * 通过page.getHtml()可以获取到main函数中Spider.create(new BaiduHotSearchPageProcessor()).addUrl中的地址的网页内容
         * 1、通过$或css()方法获取到该page html下某元素dom
         */
        Selectable selectable = page.getHtml().$(".theme-hot").select(
                new XpathSelector("a[@class='item-wrap_2oCLZ']")
        );
        List<Selectable> nodes = selectable.nodes();

        /**
         * 获取到指定的dom后，从这些dom中提取元素内容。
         */
        System.out.println("今日百度热搜：");
        for (int i = 1; i <= nodes.size() - 1; i++) {
            Selectable node = nodes.get(i);
            String link = node.$(".item-wrap_2oCLZ", "href").get();
            String title = node.$(".c-single-text-ellipsis", "text").get();
            System.out.printf("%d、%s，访问地址：%s%n", i, title, link);
        }
    }

    @Override
    public Site getSite() {
        return site;
    }

    public static void main(String[] args) {
        // 创建一个Spider，并把我们的处理器放进去
        Spider.create(new BaiduHotSearchPageProcessor())
                // 添加这个Spider要爬取的网页地址
                .addUrl("https://top.baidu.com/board?platform=pc&sa=pcindex_entry")
                // 开启5个线程执行，并开始爬取
                .thread(5).run();
    }
}

运行后，来看下效果：

与百度上的热搜数据比对一下，发现数据如此简单就被我们爬取下来了。

3.3、元素选择

通过上面的例子你会发现，其实整个爬虫的难点不在于工具的使用，而在于我们要爬取内容的元素选择。也就是我们爬取之前需要先定位到我们需要爬取的内容元素规则，按照这些规则在进行proessor的编写。

WebMagic定义了Selectable来进行相关元素的抽取。从上面的例子中可以看到page.getHtml()返回的是最原始的网页内容，多且繁杂，并不是都是我们需要的。Selectable定义了很多API来供我们进行元素选择和抽取，如可以采用xpath，css，或者正则表达式来进行选择。

3.3.1、F12查看网页元素

打开百度热搜网页，按F12出现开发控制台，然后点击左上角的一个小箭头（1的位置），在移动到热搜上的条目（2的位置），然后控制台上就会自动定位到该段内容的元素代码（3的位置）。

接下来就要考察我们的眼力了，通过观察发现，热搜的每一条条目对应的是一个a标签，而这些a标签有一个通用的属性“href”，即该条热搜内容的访问连接。而每个a标签下都有一个class="c-single-text-ellipsis"的div元素。该元素下的文字内容即为标题。

3.3.2、元素选择

既然我们已经找到了合适的规则，那么我们就要选取一种方式来定位这些元素。常用的有xpath，或css定位。我们可以观察到，热搜整个代码块是包含在一个class="theme-hot"的div下的（通常此类的布局都会有一个相应的class或id用来对该布局进行样式定义）。所以我们可以用以下代码定位到热搜的代码片段：

page.getHtml().$(".theme-hot")

然后需要在此片段的基础上，继续一层一层往下找，找到我们前面说到的a标签，由于a标签可能会有很多个，所以我们使用xpath选择器选择a标签且class定义为item-wrap_2oCLZ的元素。

Selectable selectable = page.getHtml().$(".theme-hot").select(
        new XpathSelector("a[@class='item-wrap_2oCLZ']")
);

到此，就可以把我们的a标签全部都找出来了，接下来就是要一条一条的解析a中的内容：

for (int i = 1; i <= nodes.size() - 1; i++) {
    Selectable node = nodes.get(i);
    String link = node.$(".item-wrap_2oCLZ", "href").get();
    String title = node.$(".c-single-text-ellipsis", "text").get();
    System.out.printf("%d、%s，访问地址：%s%n", i, title, link);
}

其中$("", "")第二个参数就是对应的属性值，这样就可以顺利的爬取到我们所需的内容了。

3.3.3、注意事项

其实，有些朋友已经发现了，我们上面所选取的class=‘item-wrap_2oCLZ’感觉很奇怪，像是动态生成的。确实是，不同网站实现都不一样，如果有遇到动态生成的class，那么采用这种class来定位，可能网页每次刷新每次获取到的都会不一样。因此在选择元素的时候，选取的class或id也要慎重选择。

4、小结

此类爬虫的规则其实就是依靠元素定位来获取我们所需的内容。如果网页元素发生变更，或者xpath路径发生变化，又或者是网页进行了更新，那么都有可能会使当前规则失效，此时就需要重新寻找规律并重新获取元素。因此，如果有想要爬取的朋友要稍微注意下：

1. 注意网页元素规则的更新
2. 注意爬虫频率，很多网页或接口都具备限流或者IP流量检测的机制，如果爬取的频率太频繁，很容易把别人网站搞崩，又或者是IP被封禁。因此还是要礼貌爬取，文明爬取，合法爬取。
3. 注意隐私和版权，如果爬取到了一些数据，且这些数据使用不当，就很容易侵权或成为非法使用者，这点要切记。

因此，科学上网，文明爬取。爬虫虽好，可不要贪杯哦！