基于webmagic爬虫框架的项目记录

1、为什么选定了webmagic？

webmagic的doc文档地址：http://webmagic.io/docs/zh/

刚开始做的时候采用的是 httpclient+htmlparser+dom4j，主要说下为什么使用了dom4j，现在的webmagic也是采用了dom4j，这里主要是需要解析一个网站，这个网站的地址比较特殊，翻页地址一次性存储到了js方法里，普通的html节点无法获取到，所以采用dom4j就是为了获取js里的地址内容。

1)        后来2.0版本直接换成了webmagic，这个比较好用，优点：

2)        内置的pipline接口，可以定制开发，我们的爬虫项目要求本地文件一份，数据库一份，定制日志输出，新闻图片的下载等；

3)        可以记录爬过的地址，方便去重；

4)        可以start和shutdown爬虫；

5)        线程池；

6)        还有好多慢慢体会吧。

顺便说下python的爬虫，当时在选用webmagic之前特地学的Python，怎么说呢，适合没啥基础的学，上手快。没有feel，其实。。。就是不保密，成果很容易被copy另一家GS。

2、实现的功能点

基本的爬虫功能：爬取页面特定节点，节点信息处理。

日志前端实时打印，目的就是可以看到爬取到哪了，还有就是页面下载到本地的进度也实时打印，日志打印到前端采用的websocket。

还有就是CRUD，例如：网站的xpath、url、备份到其他数据库的功能。

定时爬取等等。

3、难点(坑)

新闻类的么，网站页面还是比较好分析的，没那么多的接口需要对接分析。

日志前端打印的websocket，注意jdk版本，tomcat版本好像也没啥了。给个学习的连接：http://blog.csdn.net/neutrojan/article/details/46119645

报jsr 356调整版本。

 

注意xpath和正则吧，得学习下。地址：

http://www.w3school.com.cn/xpath/xpath_syntax.asp

 

还有log4j的日志，之前不怎么深入得研究过，再次被教育了。放个地址：

http://blog.csdn.net/huangxinyu_it/article/details/42239629

http://blog.csdn.net/u012422446/article/details/51199724

 

定时任务：http://blog.csdn.net/tsyj810883979/article/details/8481621

 

暂停线程池里的线程：研究一天半，没啥思路，各路网友提供下方向吧，在此跪谢。（ps:原来是想设计一个公共变量，每次启动新线程去判断。如果暂停就是变为false。但是...不知道咋弄啊，改源码？复写？）