深入浅出分布式爬虫框架之WebMagic

一、WebMagic是什么?

WebMagic是一个简单灵活的Java爬虫框架。基于WebMagic,你可以快速开发出一个高效、易维护的爬虫。

二、它的特性有哪些?

  • 1.简单的API,可快速上手;
  • 2.模块化的结构,可轻松扩展;
  • 3.提供多线程和分布式支持。

三、关于它的相关资料有哪些?

官方文档:http://webmagic.io/docs/zh/

源代码地址:
https://git.oschina.net/flashsword20/webmagic
https://github.com/code4craft/webmagic

四、它的总体架构是什么?

四、案例

以爬取博客园文章为例,核心代码如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
import com.blog.springboot.dto.CnBlogModelDTO;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.pipeline.ConsolePipeline;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.selector.Selectable;



public class WebMagicJunitTest implements PageProcessor {
private Site site = Site.me()
.setDomain("https://www.cnblogs.com/")
.setSleepTime(1000)
.setUserAgent("Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36");


@Override
public void process(Page page) {


Selectable obj = page.getHtml().xpath("//div[@class='post']");
Selectable title = obj.xpath("//h1[@class='postTitle']//a");
Selectable content = obj.xpath("//div[@class='blogpost-body']");

System.out.println("title:" + title.replace("<[^>]*>", ""));
System.out.println("content:" + content);


}

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


public static void importSinglePost(String url) {
Spider.create(new WebMagicJunitTest())
.addUrl(url)
.addPipeline(new ConsolePipeline())
.run();
}
public static void main(String[] args) {

WebMagicJunitTest.importSinglePost("https://www.cnblogs.com/youcong/p/9404007.html");
}

五、如何实现分布式爬取?

分布式爬虫原理架构图如下:

WebMagic开源作者在2013年的时候就已经给出基于WebMagic实现分布式爬虫的核心代码了,如下所示:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
<!-- lang: java -->
public class RedisScheduler implements Scheduler{

private JedisPool pool;

private static final String QUEUE_PREFIX = "queue_";

private static final String SET_PREFIX = "set_";

public RedisScheduler(String host){
pool = new JedisPool(new JedisPoolConfig(), host);
}

@Override
public void push(Request request, Task task) {
Jedis jedis = pool.getResource();
//使用SortedSet进行url去重
if (jedis.zrank(SET_PREFIX+task.getUUID(),request.getUrl())==null){
//使用List保存队列
jedis.rpush(QUEUE_PREFIX+task.getUUID(),request.getUrl());
jedis.zadd(SET_PREFIX+task.getUUID(),System.currentTimeMillis(),request.getUrl());
}
}

@Override
public Request poll(Task task) {
Jedis jedis = pool.getResource();
String url = jedis.lpop(QUEUE_PREFIX+task.getUUID());
if (url==null) {
return null;
}
return new Request(url);
}
}

六、我对爬虫的一些思考

以前写过这样的文章爬虫与反爬虫策略思考,大家不妨读一读,读完以后,我相信你会对爬虫和反爬虫有更深入的认识。

文章目录
  1. 一、WebMagic是什么?
  2. 二、它的特性有哪些?
  3. 三、关于它的相关资料有哪些?
  4. 四、它的总体架构是什么?
  5. 四、案例
  6. 五、如何实现分布式爬取?
  7. 六、我对爬虫的一些思考