master
yihua.huang 2014-04-01 08:04:43 +08:00
parent 7038c00a9a
commit b13f1da039
1 changed files with 51 additions and 51 deletions

View File

@ -38,27 +38,27 @@ webmagic的github地址[https://github.com/code4craft/webmagic](https://githu
webmagic使用maven管理依赖在项目中添加对应的依赖即可使用webmagic
```xml
<dependency>
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-core</artifactId>
<version>0.4.3</version>
</dependency>
<dependency>
</dependency>
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-extension</artifactId>
<version>0.4.3</version>
</dependency>
</dependency>
```
WebMagic 使用slf4j-log4j12作为slf4j的实现.如果你自己定制了slf4j的实现请在项目中去掉此依赖。
```xml
<exclusions>
<exclusions>
<exclusion>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
</exclusion>
</exclusions>
</exclusions>
```
#### 项目结构
@ -96,7 +96,7 @@ webmagic还包含两个可用的扩展包因为这两个包都依赖了比较
PageProcessor是webmagic-core的一部分定制一个PageProcessor即可实现自己的爬虫逻辑。以下是抓取osc博客的一段代码
```java
public class OschinaBlogPageProcesser implements PageProcessor {
public class OschinaBlogPageProcesser implements PageProcessor {
private Site site = Site.me().setDomain("my.oschina.net");
@ -119,7 +119,7 @@ PageProcessor是webmagic-core的一部分定制一个PageProcessor即可实
Spider.create(new OschinaBlogPageProcesser()).addUrl("http://my.oschina.net/flashsword/blog")
.addPipeline(new ConsolePipeline()).run();
}
}
}
```
@ -134,8 +134,8 @@ Spider是爬虫的入口类。Pipeline是结果输出和持久化的接口
webmagic-extension包括了注解方式编写爬虫的方法只需基于一个POJO增加注解即可完成一个爬虫。以下仍然是抓取oschina博客的一段代码功能与OschinaBlogPageProcesser完全相同
```java
@TargetUrl("http://my.oschina.net/flashsword/blog/\\d+")
public class OschinaBlog {
@TargetUrl("http://my.oschina.net/flashsword/blog/\\d+")
public class OschinaBlog {
@ExtractBy("//title")
private String title;
@ -151,7 +151,7 @@ webmagic-extension包括了注解方式编写爬虫的方法只需基于一
Site.me(),
new ConsolePageModelPipeline(), OschinaBlog.class).addUrl("http://my.oschina.net/flashsword/blog").run();
}
}
}
```
这个例子定义了一个Model类Model类的字段'title'、'content'、'tags'均为要抽取的属性。这个类在Pipeline里是可以复用的。