update zh_docs
yihua.huang
parent
8958d774f2
commit
e008b7b851
|
|
@ -1,9 +1,13 @@
|
|||
webmagic
|
||||
---------
|
||||
|
||||
|
||||
|
||||
[](https://travis-ci.org/code4craft/webmagic)
|
||||
|
||||
|
||||
[Readme in English](https://github.com/code4craft/webmagic/tree/master/en_docs)
|
||||
|
||||
[用户手册](https://github.com/code4craft/webmagic/blob/master/user-manual.md)
|
||||
|
||||
>webmagic是一个开源的Java垂直爬虫框架，目标是简化爬虫的开发流程，让开发者专注于逻辑功能的开发。webmagic的核心非常简单，但是覆盖爬虫的整个流程，也是很好的学习爬虫开发的材料。作者曾经在前公司进行过一年的垂直爬虫的开发，webmagic就是为了解决爬虫开发的一些重复劳动而产生的框架。
|
||||
|
||||
>web爬虫是一种技术，webmagic致力于将这种技术的实现成本降低，但是出于对资源提供者的尊重，webmagic不会做反封锁的事情，包括：验证码破解、代理切换、自动登录等。
|
||||
|
|
@ -25,6 +29,8 @@ python爬虫 **scrapy** [https://github.com/scrapy/scrapy](https://github.com/sc
|
|||
|
||||
Java爬虫 **Spiderman** [https://gitcafe.com/laiweiwei/Spiderman](https://gitcafe.com/laiweiwei/Spiderman)
|
||||
|
||||
webmagic的github地址：[https://github.com/code4craft/webmagic](https://github.com/code4craft/webmagic)。
|
||||
|
||||
## 快速开始
|
||||
|
||||
### 使用maven
|
||||
|
|
@ -34,12 +40,12 @@ webmagic使用maven管理依赖，在项目中添加对应的依赖即可使用w
|
|||
<dependency>
|
||||
<groupId>us.codecraft</groupId>
|
||||
<artifactId>webmagic-core</artifactId>
|
||||
<version>0.4.2</version>
|
||||
<version>0.4.3</version>
|
||||
</dependency>
|
||||
<dependency>
|
||||
<groupId>us.codecraft</groupId>
|
||||
<artifactId>webmagic-extension</artifactId>
|
||||
<version>0.4.2</version>
|
||||
<version>0.4.3</version>
|
||||
</dependency>
|
||||
|
||||
#### 项目结构
|
||||
|
|
@ -68,11 +74,7 @@ webmagic还包含两个可用的扩展包，因为这两个包都依赖了比较
|
|||
|
||||
### 不使用maven
|
||||
|
||||
不使用maven的用户，可以下载这个二进制打包版本(感谢[oschina](http://www.oschina.net/))：
|
||||
|
||||
git clone http://git.oschina.net/flashsword20/webmagic-bin.git
|
||||
|
||||
在**bin/lib**目录下，有项目依赖的所有jar包，直接在IDE里import即可。
|
||||
在项目的**lib**目录下，有依赖的所有jar包，直接在IDE里import即可。
|
||||
|
||||
### 第一个爬虫
|
||||
|
||||
|
|
@ -80,10 +82,10 @@ 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 {
|
||||
|
||||
private Site site = Site.me().setDomain("my.oschina.net")
|
||||
.addStartUrl("http://my.oschina.net/flashsword/blog");
|
||||
private Site site = Site.me().setDomain("my.oschina.net");
|
||||
|
||||
@Override
|
||||
public void process(Page page) {
|
||||
|
|
@ -101,10 +103,12 @@ PageProcessor是webmagic-core的一部分，定制一个PageProcessor即可实
|
|||
}
|
||||
|
||||
public static void main(String[] args) {
|
||||
Spider.create(new OschinaBlogPageProcesser())
|
||||
.pipeline(new ConsolePipeline()).run();
|
||||
Spider.create(new OschinaBlogPageProcesser()).addUrl("http://my.oschina.net/flashsword/blog")
|
||||
.addPipeline(new ConsolePipeline()).run();
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
|
||||
这里通过page.addTargetRequests()方法来增加要抓取的URL，并通过page.putField()来保存抽取结果。page.getHtml().xpath()则是按照某个规则对结果进行抽取，这里抽取支持链式调用。调用结束后，toString()表示转化为单个String，all()则转化为一个String列表。
|
||||
|
||||
|
|
@ -116,6 +120,7 @@ Spider是爬虫的入口类。Pipeline是结果输出和持久化的接口，这
|
|||
|
||||
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 {
|
||||
|
||||
|
|
@ -130,10 +135,11 @@ webmagic-extension包括了注解方式编写爬虫的方法，只需基于一
|
|||
|
||||
public static void main(String[] args) {
|
||||
OOSpider.create(
|
||||
Site.me().addStartUrl("http://my.oschina.net/flashsword/blog"),
|
||||
new ConsolePageModelPipeline(), OschinaBlog.class).run();
|
||||
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。
|
||||
|
||||
|
|
@ -145,10 +151,40 @@ webmagic-extension包括了注解方式编写爬虫的方法，只需基于一
|
|||
|
||||
webmagic-samples目录里有一些定制PageProcessor以抽取不同站点的例子。
|
||||
|
||||
作者还有一个使用webmagic进行抽取并持久化到数据库的项目[JobHunter](http://git.oschina.net/flashsword20/jobhunter)。这个项目整合了Spring，自定义了Pipeline，使用mybatis进行数据持久化。
|
||||
webmagic的使用可以参考：[oschina openapi 应用：博客搬家](http://my.oschina.net/oscfox/blog/194507)
|
||||
|
||||
|
||||
### 协议
|
||||
|
||||
webmagic遵循[Apache 2.0协议](http://opensource.org/licenses/Apache-2.0)
|
||||
|
||||
### 贡献者:
|
||||
|
||||
以下是为WebMagic提交过代码或者issue的朋友:
|
||||
|
||||
* [yuany](https://github.com/yuany)
|
||||
* [yxssfxwzy](https://github.com/yxssfxwzy)
|
||||
* [linkerlin](https://github.com/linkerlin)
|
||||
* [d0ngw](https://github.com/d0ngw)
|
||||
* [xuchaoo](https://github.com/xuchaoo)
|
||||
* [supermicah](https://github.com/supermicah)
|
||||
* [SimpleExpress](https://github.com/SimpleExpress)
|
||||
* [aruanruan](https://github.com/aruanruan)
|
||||
* [l1z2g9](https://github.com/l1z2g9)
|
||||
* [zhegexiaohuozi](https://github.com/zhegexiaohuozi)
|
||||
* [ywooer](https://github.com/ywooer)
|
||||
* [yyw258520](https://github.com/yyw258520)
|
||||
* [perfecking](https://github.com/perfecking)
|
||||
* [lidongyang](http://my.oschina.net/lidongyang)
|
||||
|
||||
### 邮件组:
|
||||
|
||||
Gmail：
|
||||
[https://groups.google.com/forum/#!forum/webmagic-java](https://groups.google.com/forum/#!forum/webmagic-java)
|
||||
|
||||
QQ:
|
||||
[http://list.qq.com/cgi-bin/qf_invite?id=023a01f505246785f77c5a5a9aff4e57ab20fcdde871e988](http://list.qq.com/cgi-bin/qf_invite?id=023a01f505246785f77c5a5a9aff4e57ab20fcdde871e988)
|
||||
|
||||
### QQ群：
|
||||
|
||||
330192938
|
||||
|
|
|
|||
Loading…
Reference in New Issue