java爬虫 实战 java爬虫代码示例

Java实现网络爬虫 案例代码

需求说明

搭建开发环境，实现《三国演义》全文保存在本地

 

步骤分析

分析网站URL、文档内容特征

获取网页内容

拆分出需求内容

保存在本地

 

案例代码

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.pipeline.FilePipeline;
import us.codecraft.webmagic.pipeline.JsonFilePipeline;
import us.codecraft.webmagic.processor.PageProcessor;public class NovelRepoPageProcessor implements PageProcessor {
    // 部分一：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);    @Override
    // 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) {
        // 部分二：定义如何抽取页面信息，并保存下来  http://www.shicimingju.com/book/sanguoyanyi/
        page.putField("id", page.getUrl().
        regex("http://www\\.shicimingju\\.com/book/sanguoyanyi/(\\d+)\\.html").toString());
        page.putField("name", 
            page.getHtml().xpath("//h1/text()").toString());
        if (page.getResultItems().get("name") == null) {
            //skip this page
            page.setSkip(true);
        }
        //<div class="chapter_content">
        page.putField("content", 
        page.getHtml().xpath("//div[@class='chapter_content']/tidyText()"));        // 部分三：从页面发现后续的url地址来抓取
        page.addTargetRequests(page.getHtml().links().
                regex("(http://www\\.shicimingju\\.com/book/sanguoyanyi/(\\d+)\\.html)").all());
    }    @Override
    public Site getSite() {
        return site;
    }    public static void main(String[] args) {
        Spider.create(new NovelRepoPageProcessor())
                //从"http://www.shicimingju.com/book/sanguoyanyi.html"开始抓
                .addUrl("http://www.shicimingju.com/book/sanguoyanyi.html")
                .addPipeline(new JsonFilePipeline("D:\\webmagic\\"))  //JSON格式保存结果到文件
                //开启5个线程抓取
                .thread(5)
                //启动爬虫
                .run();
    }
}