Java实现网络爬虫 案例代码4：使用webmagic框架从网上获取《三国演义》全文

需求说明

搭建开发环境，实现《三国演义》全文保存在本地

步骤分析

访问网址：http://www.shicimingju.com/book/sanguoyanyi.html

分析网站URL、文档内容特征

获取网页内容

拆分出需求内容

保存在本地

案例代码

import us.codecraft.webmagic.Page;

import us.codecraft.webmagic.Site;

import us.codecraft.webmagic.Spider;

import us.codecraft.webmagic.pipeline.ConsolePipeline;

import us.codecraft.webmagic.pipeline.FilePipeline;

import us.codecraft.webmagic.pipeline.JsonFilePipeline;

import us.codecraft.webmagic.processor.PageProcessor;

public class NovelRepoPageProcessor implements PageProcessor {

    // 部分一：抓取网站的相关配置，包括编码、抓取间隔、重试次数等

    private Site site = Site.me().setRetryTimes(3).setSleepTime(1000);

    @Override

    // process是定制爬虫逻辑的核心接口，在这里编写抽取逻辑

    public void process(Page page) {

        // 部分二：定义如何抽取页面信息，并保存下来  http://www.shicimingju.com/book/sanguoyanyi/

        page.putField("id", page.getUrl().

        regex("http://www\\.shicimingju\\.com/book/sanguoyanyi/(\\d+)\\.html").toString());

        page.putField("name", 

            page.getHtml().xpath("//h1/text()").toString());

        if (page.getResultItems().get("name") == null) {

            //skip this page

            page.setSkip(true);

        }

        //<div class="chapter_content">

        page.putField("content", 

        page.getHtml().xpath("//div[@class='chapter_content']/tidyText()"));

        // 部分三：从页面发现后续的url地址来抓取

        page.addTargetRequests(page.getHtml().links().

                regex("(http://www\\.shicimingju\\.com/book/sanguoyanyi/(\\d+)\\.html)").all());

    }

    @Override

    public Site getSite() {

        return site;

    }

    public static void main(String[] args) {

        Spider.create(new NovelRepoPageProcessor())

                //从"http://www.shicimingju.com/book/sanguoyanyi.html"开始抓

                .addUrl("http://www.shicimingju.com/book/sanguoyanyi.html")

                .addPipeline(new JsonFilePipeline("D:\\webmagic\\"))  //JSON格式保存结果到文件

                //开启5个线程抓取

                .thread(5)

                //启动爬虫

                .run();

    }

}