本次学习采用了webmagic框架,完成的是一个简单的小demo

 package com.mieba.spiader;

 import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.pipeline.FilePipeline;
import us.codecraft.webmagic.processor.PageProcessor; public class SinaPageProcessor implements PageProcessor
{
public static final String URL_LIST = "http://blog\\.sina\\.com\\.cn/s/articlelist_1487828712_0_\\d+\\.html"; public static final String URL_POST = "http://blog\\.sina\\.com\\.cn/s/blog_\\w+\\.html"; private Site site = Site.me().setDomain("blog.sina.com.cn").setRetryTimes(3).setSleepTime(3000).setUserAgent( "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_2) AppleWebKit/537.31 (KHTML, like Gecko) Chrome/26.0.1410.65 Safari/537.31"); @Override public void process(Page page)
{ // 列表页 if (page.getUrl().regex(URL_LIST).match())
{
// 从页面发现后续的url地址来抓取
page.addTargetRequests(page.getHtml().xpath("//div[@class=\"articleList\"]").links().regex(URL_POST).all()); page.addTargetRequests(page.getHtml().links().regex(URL_LIST).all()); // 文章页 } else
{
// 定义如何抽取页面信息,并保存下来
page.putField("title", page.getHtml().xpath("//div[@class='articalTitle']/h2")); page.putField("content", page.getHtml().xpath("//div[@id='articlebody']//div[@class='articalContent']")); page.putField("date", page.getHtml().xpath("//div[@id='articlebody']//span[@class='time SG_txtc']").regex("\\((.*)\\)")); } } @Override public Site getSite()
{ return site; } public static void main(String[] args)
{ Spider.create(new SinaPageProcessor())
//从"http://blog.sina.com.cn/s/articlelist_1487828712_0_1.html"开始抓
.addUrl("http://blog.sina.com.cn/s/articlelist_1487828712_0_1.html")
//结果用文件的格式保存下来
.addPipeline(new FilePipeline("E:\\webmagic\\"))
//开启5个线程抓取
.thread(5)
//启动爬虫
.run(); }
}

运行截图

爬取的网页

最新文章

  1. 使用struct处理二进制
  2. maven配置
  3. IoC和DI的理解
  4. 三层架构下的EntityFramework codefirst
  5. 微软BI 之SSRS 系列 - 巧用 RunningValue 函数在分组中排序并设置 RANK 排名
  6. BZOJ4340 : BJOI2015 隐身术
  7. if条件
  8. AngularJS 整理资料
  9. VMware: linux起步提示 memory for crashkernel(0*0 to 0*0)not within permissible
  10. JavaScript里的依赖注入
  11. ggplot2 scale相关设置-坐标转换
  12. MongoDB副本集的常用操作及原理
  13. springboot学习(二)——springmvc配置使用
  14. 【NPR】铅笔画
  15. 2016蓝桥杯"取球博弈"问题
  16. Oracle会话超时退出设置
  17. HTML框架标签的使用-<frameset>
  18. Java中的代码块:局部代码块、构造代码块和静态代码块
  19. scrapy抓取拉勾网职位信息(七)——实现分布式
  20. Mysql中字段类型之时间戳大坑2

热门文章

  1. Python、Django、Celery中文文档分享
  2. iptables (一) 主机防火墙和网络防火墙
  3. P5163 WD与地图 [整体二分,强连通分量,线段树合并]
  4. Java(四)输出和输入函数
  5. RHEL 8 安装 Oracle 19c 注意问题
  6. Genymotion下载及安装(安卓虚拟机)
  7. linux常见目录介绍
  8. 850. Dijkstra求最短路 II(堆优化模板)
  9. webpack 代理问题
  10. 服务&软件&基础设施的区别