java webmagic 抓取静态网页资源,抓取动态网页资源

- 日理万妓 2022-04-22 03:20 379阅读 0赞

[webmagicJava爬虫框架][webmagicJava]  
[fastjson 阿里巴巴提供的 json 转为对象的快捷包，里面有下载jar包的地址][fastjson _ json _jar]

#### 抓取静态网页资源 。实例：抓取李开复博客：标题，内容，发布日期。 ####

public class LiKaiFuBlogReading implements  PageProcessor{
    	
    	private Site site = Site.me().setRetryTimes(3).setSleepTime(2000);
    	private static final SimpleDateFormat format = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
    	public static final String startPage = "http://blog.sina.com.cn/s/articlelist_1197161814_0_1.html";  // 目录页
    	public static void main(String[] args) {
    		// TODO Auto-generated method stub
    		Spider.create(new LiKaiFuBlogReading())
    		.addPipeline(new JsonFilePipeline("C:\\Users\\Root\\Desktop\\Spider"))  // 写入到本地的Spider 文件夹里，如果没有就会自动生成。
    		.addUrl(startPage)
    		.thread(10)
    		.run();
    	}
    
    	@Override
    	public Site getSite() {
    		return site;
    	}
    
    	@Override
    	public void process(Page page) {
    		String url = page.getRequest().getUrl();
    		if(url.startsWith("http://blog.sina.com.cn/s/articlelist_1197161814_0_1.html"))  // 目录页开始
    		{
    			// 提取目录列表
    			List<String> links = page.getHtml().xpath("//span[@class='atc_title']/a/@href").all();
    			page.addTargetRequests(links);
    			
    			//然后提取其他列表页地址  
    			links = page.getHtml().xpath("//ul[@class='SG_pages']/li/a/@href").all();
    			page.addTargetRequests(links);
    			
    			page.setSkip(true);
    			
    		}else if(url.startsWith("http://blog.sina.com.cn/s")){
    			//内容页
    			// 获取 第一篇 李开复：母亲的十件礼物|悼文 内容 文章标题
    			// 标题
    			String title = page.getHtml().xpath("//h1[@class='h1_tit']/text()").get();
    			// 内容
    			String content = page.getHtml().xpath("//div[@class='BNE_cont']/allText()").get();
    			// 时间
    			String timeAndSource = page.getHtml().xpath("//span[@class='time SG_txtc']/text()").get();
    			
    			
    //			// 阅读数
    //			String readingAmount = page.getHtml().xpath("//div[@class='BNE_txtA OL']/span[1]/text()").get();
    //			//评论数
    //			String comment = page.getHtml().xpath("//div[@class='BNE_txtA OL']/span[2]/text()").get();
    			
    			
    			if(title==null && content == null ) // 说明不是第一篇 李开复：母亲的十件礼物|悼文 ，需要重新 get 内容
    			{
    				title = page.getHtml().xpath("//div[@class='articalTitle']/h2/text()").get();
    				content = page.getHtml().xpath("//div[@id='sina_keyword_ad_area2']/allText()").get();
    				// 抓取样式 ： ((2018-01-26 18:24:31)
    				timeAndSource = page.getHtml().regex("\\d{4}-\\d{2}-\\d{2}\\s\\d+.\\d+.\\d+").toString();
    
    				
    			}// 最终保证   不为空  
    			page.putField("CONTENT",content);               //置入 文章内容
    			page.putField("TITLE",title);                   // 置入文章标题
    			page.putField("URL", url);                      // 存入 url
    			try {
    				long pubtime = format.parse(timeAndSource).getTime();
    				page.putField("PUBTIME", pubtime);
    			} catch (ParseException e) {
    				e.printStackTrace();
    			}
    			page.putField("PUBTIME",timeAndSource);     // 置入文章标题
    		}
    	}
    }

#### 抓取动态网页资源。 需要 fastjson.jar 包。示例，抓取京东手机页：手机名称，价格（是动态抓取的），详情页连接，产品 ID。 ####

public class JingDongMobilePhone implements PageProcessor {
    
    	private Site site = Site.me().setRetryTimes(3).setSleepTime(2000);
    	private static AddJDMoblieInfo addJDMoblieInfo;
    //	private static final SimpleDateFormat format = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
    	//public static final String startPage = "http://list.jd.com/list.html?cat=9987,653,655";    // 京东起始页
    	public static final String startPage = "http://list.jd.com/list.html?cat=9987,653,655";    // 京东起始页 http://item.jd.com/5089273.html
    
    	public static void main(String args[]) {
    		addJDMoblieInfo = new AddJDMoblieInfo();
    		Spider spider = Spider.create(new JingDongMobilePhone());
    		spider.addPipeline(new JsonFilePipeline("C:\\Users\\User\\Desktop\\Spider"));
    		spider.addUrl(startPage);
    		spider.thread(100);
    		spider.run();
    	}
    	
    	
    	@Override
    	public Site getSite() {
    		// TODO Auto-generated method stub
    		return site;
    	}
    
    	@Override
    	public void process(Page page) {
    		String url = page.getRequest().getUrl();
    //		System.out.println("请求的url是："+url);
    		if(url.startsWith("http://list.jd.com/list.html?cat=9987,653,655")) {    // 手机列表页
    			// 获取手机的所有链接
    			List<String> links = page.getHtml().xpath("//div[@class='p-img']/a/@href").all();
    			page.addTargetRequests(links);
    			// 获取其他列表的信息   下一页的信息
    			String nextLink =  page.getHtml().xpath("//a[@class='pn-next']/@href").get();
    			nextLink = "http://list.jd.com"+nextLink;
    			page.addTargetRequest(nextLink);   //
    			
    			page.setSkip(true);
    		}else if(url.startsWith("http://item.jd.com/")){  // 手机详情页 http://item.jd.com/7437780.html
    			/**
    			 *   手机信息显示详情页
    			 *   1. 产品名称
    			 *   2. 产品价格
    			 */
    			
    			page.putField("shoujiUrl", url);
    			// 产品 id想·
    			String skuId = url.replace("http://item.jd.com/", "").replace(".html", "");
    			page.putField("SKUID", skuId);
    //			//产品名称
    			String name = page.getHtml().xpath("//div[@class='sku-name']/text()").get();
    			page.putField("NAME", name);
    			String ajaxLink ="http://p.3.cn/prices/mgets?skuIds=J_"+skuId+"";   // 此链接是通过 查找页面的请求连接，最后拼接出来的请求，目前来说这种拼接还是需要人工来拼接
    			page.putField("priceUrl", ajaxLink);
    //			try {
    //				addJDMoblieInfo.insertMobileUrlNameSkuId(url, name, skuId);
    //			} catch (SQLException e) {
    //				// TODO Auto-generated catch block
    //				e.printStackTrace();
    //			}
    			page.addTargetRequest(ajaxLink);
    		}else if(url.startsWith("http://p.3.cn/prices/mgets?")){
    			
    			String skuId = url.replace("http://p.3.cn/prices/mgets?skuIds=J_", "");
    			page.putField("SkuId", skuId);
    			
    			String json = page.getRawText();
    			JSONArray jsonArray = JSONArray.parseArray(json);
    			
    			Price price =  jsonArray.getObject(0, Price.class);
    			String JDPrice = price.getOp();
    			page.putField("JDPrice", JDPrice);
    //			try {
    //				addJDMoblieInfo.insertMobilePrice(skuId, JDPrice);  // 这些是添加到数据库的操作
    //			} catch (SQLException e) {
    //				// TODO Auto-generated catch block
    //				e.printStackTrace();
    //			}		
    		}
    	}
    }
    //  源网页 http://list.jd.com/list.html?cat=9987,653,655&page=2&sort=sort_rank_asc&trans=1&JL=6_0_0&ms=5#J_main
    //  接受网页   http://list.jd.com		/list.html?cat=9987,653,655&page=4&sort=sort_rank_asc&trans=1&JL=6_0_0

Price.java

public class Price {
    
    	private String op;
    	private String m;
    	private String id;
    	private String p;
    	public String getOp() {
    		return op;
    	}
    	public void setOp(String op) {
    		this.op = op;
    	}
    	public String getM() {
    		return m;
    	}
    	public void setM(String m) {
    		this.m = m;
    	}
    	public String getId() {
    		return id;
    	}
    	public void setId(String id) {
    		this.id = id;
    	}
    	public String getP() {
    		return p;
    	}
    	public void setP(String p) {
    		this.p = p;
    	}
    }

[webmagicJava]: http://webmagic.io/
[fastjson _ json _jar]: https://github.com/alibaba/fastjson