VW-CrawlerJava 爬虫框架
VW-Crawler
背景
自己一直对爬虫比较感兴趣，大学的毕业论文也是一个爬虫项目(爬教务处信息，然后做了个Android版教务管理系统，还获得了优秀毕业设计的称号)，自那以后遇到自己感兴趣的网站就会去抓一下。前段时间工作上需要一些JD信息，我就从网上找了个开源的爬虫框架WebMagic，使用简单，易配置，功能也很强大，当然了也有些网站的数据不适合使用。前前后后写了不下十几个，慢慢的就想是不是可以把这些爬虫代码再抽象出来，做出一个简易的爬虫框架呢？于是就尝试去看WebMagic的源码，后来又发现了一个源码比较容易解读的爬虫框架XXL-CRAWLER,简单的分析了源码之后，开发自己一套爬虫框架的欲望更加强烈,于是在2017年底的时候就开始了开发，中间断断续续得停了写，写了停。直到最近8月底的时候才算出了一个版本，然后顺势把它放到了Maven公服仓库上。一个人的力量很薄弱，要想完善这个爬虫的健壮性、可用性和易扩展性还需要大家的力量！
特点
语言: Java开发，框架比较简单，多处使用的是接口编程，是学习Java不错的例子
难度: 及其简单，配置一下，写个解析逻辑，整理下保存方法，就OK了
轻量: 使用Jsoup做默认的下载器，依赖性较低
线程: 可自主**设置线程**数抓取，提高抓取效率
重试: 支持失败重试，次数可以自定义
代理: 支持配置**代理池**，默认随机使用代理IP，也可自定义算法获取
去重: **双重去重**，默认对URL去重，也可以定义第二层去重逻辑
控制: 可**自主控制**是否需要解析页面，减少资源的使用
精准: 通过设置URL的正则来**精准**的解析每一个URL
扩展: 几乎每一个环节都可以自定义
使用
使用Maven
在http://search.maven.org上使用最新的版本
在pom中引入
<dependency>
<groupId>com.github.vector4wang</groupId>
<artifactId>vw-crawler</artifactId>
<version>${last.version}</version>
</dependency>
离线使用
可以在项目主页的[release](https://github.com/vector4wang/vw-crawler/releases)下载最新版本jar，然后导入自己的项目中。
步骤
配置参数
抽象正则
解析页面
保存数据
各环节均支持自定义
示例
抓取CSDN某用户的博客内容
设置爬虫的基本配置，如User-Agent、起始地址、目标页面的url正则表达式、线程数和超时时间等
new VWCrawler.Builder()
// 配置参数
.setHeader("User-Agent",
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36") // 设置请求头
.setUrl("https://blog.csdn.net/qqhjqs") // 设置爬虫起始地址
.setThreadCount(10) // 设置几个线程抓取数据
.setTimeOut(5000) // 设置超时时间
// 抽象正则
.setTargetUrlRex("https://blog.csdn.net/qqhjqs/article/details/[0-9]+") // 设置目标页面url的正则表达式
// 解析页面
.setPageParser(new CrawlerService<Blog>() {
/**
* 有的url可能在某个场景下不需要可在此处理
* 默认返回false，可以不做处理
* @param url 即将要抓取的url
* @return
*/
@Override
public boolean isExist(String url) {
if ("https://blog.csdn.net/qqhjqs/article/details/79101846".equals(url)) {
return true;
}
return false;
}
/**
* 有的页面有WAF，可以再真正解析前，做个判断，遇到特殊标志的直接可以跳过
* 默认返回true，可以不做处理
* @param document 即将要解析的document
* @return
*/
@Override
public boolean isContinue(Document document) {
if ("最近和未来要做的事 - CSDN博客".equals(document.title())) {
System.out.println("模拟遇到WAF此页面不做解析");
return false;
}
return true;
}
/**
* 目标页面的doc对象，还有通过注解处理后的对象
* @param doc 文档内容
* @param pageObj 封装的对象
*/
@Override
public void parsePage(Document doc, Blog pageObj) {
// 可进行二次处理
pageObj.setReadNum(pageObj.getReadNum().replace("阅读数：", ""));
}
// 保存数据
/**
* 可以做保存对象的处理
* @param pageObj 页面对象
*/
@Override
public void save(Blog pageObj) {
System.out.println("save blog summery: " + pageObj.toString());
}
}) // 自定义解析service
.build().start(); // 启动
配置页面数据对象的注解
@CssSelector(selector = "#mainBox > main > div.blog-content-box > div.article-title-box > h1", resultType = SelectType.TEXT) private String title; @CssSelector(selector = "#mainBox > main > div.blog-content-box > div.article-info-box > div > span.time", dateFormat = "yyyy年MM月dd日 HH🇲🇲ss") private Date lastUpdateDate; @CssSelector(selector = "#mainBox > main > div.blog-content-box > div.article-info-box > div > div > span", resultType = SelectType.TEXT) private String readNum;
这里使用比较流行的注解方式，通过cssselector来获取节点数据可通过resultType来指定填充的是text还是html。随便配置一下，就能抓取一个页面的数据
new VWCrawler.Builder().setUrl("https://www.qiushibaike.com/").setPageParser(new CrawlerService() {
@Override
public void parsePage(Document doc, Object pageObj) {
System.out.println(doc.toString());
}
@Override
public void save(Object pageObj) {
}
}).build().start();