Webcollector应用（一）

　　webcollector是一个开源的Java网络爬虫框架。最近的爬虫改用java写了，对这一周的工作进行简要总结。对于内部机制了解不深入，主要侧重在应用。

一、环境搭建

　　需要安装一个webcollector的jar包，从官网上下载bin文件，解压，根据不同IDE的安装方式进行安装即可。

　　https://github.com/CrawlScript/WebCollector

　　关于使用，官网上提供了很多的例子，从GitHub上将整个Webcollector的工程下载下来，参照进行编码。

　　

　　我直接在官方提供的工程上面建了个文件夹，进行编码。

二、基本使用

　　两个class，一个Model，一个抓取

　　1、Model类——封装了要抓取的那些字段

package cn.edu.hfut.dmic.webcollector.example.myCrawler.test;

public class TongModel {
    String fullName;
    String shortName;
    String time;
    public String getFullName() {
        return fullName;
    }

    public void setFullName(String fullName) {
        this.fullName = fullName;
    }

    public String getShortName() {
        return shortName;
    }

    public void setShortName(String shortName) {
        this.shortName = shortName;
    }

    public String getTime() {
        return time;
    }

    public void setTime(String time) {
        this.time = time;
    }
}

　　2、Crawl类——定义了抓取规则

package cn.edu.hfut.dmic.webcollector.example.myCrawler.test;
import cn.edu.hfut.dmic.webcollector.crawler.DeepCrawler;
//import cn.edu.hfut.dmic.webcollector.example.util.ProxyCollector;
import cn.edu.hfut.dmic.webcollector.example.util.JDBCBase;
import cn.edu.hfut.dmic.webcollector.model.Links;
import cn.edu.hfut.dmic.webcollector.model.Page;
import cn.edu.hfut.dmic.webcollector.net.HttpRequesterImpl;
import cn.edu.hfut.dmic.webcollector.net.RandomProxyGenerator;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import org.springframework.jdbc.core.JdbcTemplate;

import java.util.List;
public class CrawlTong  extends DeepCrawler{
    JdbcTemplate jdbcTemplate = JDBCBase.getInstance().getTemplete2();
    public CrawlTong(String crawlPath){
        super(crawlPath);
    }

    @Override
    public Links visitAndGetNextLinks(Page page) {
        Document doc = page.getDoc();
        boolean iRedirect = page.getResponse().getRedirect();
        if(iRedirect)
            return null;
        TongModel tongModel = new TongModel();
        Elements elementsAll = doc.getAllElements();
        tongModel.setFullName(elementsAll.select("a.v3-branding_logo").text());
        tongModel.setShortName(elementsAll.select("a.v3-branding_logo").attr("href"));
        tongModel.setTime("2010-01-21");
        saveToDB(tongModel);
        return null;
    }
    public int saveToDB(TongModel m)
    {
        System.out.println(m.getFullName());
        System.out.println(m.getShortName());
        System.out.println(m.getTime());
        String sql = "insert into tong(fullName,shortName,timer) values(?,?,?)";
        int updates=jdbcTemplate.update(sql,m.getFullName(),m.getShortName(),m.getTime());
        return 0;
    }
    public static void main(String[] args) throws Exception{
        CrawlTong crawler = new CrawlTong("/tong");
        crawler.addSeed("https://www.tzg.cn/");
        crawler.start(1);
    }

}

　　继承自抓取父类，我采用的是继承DeepCrawler，相应的也可以继承自BreathCrawler。

　　主要是三个方法，当写完extends DeepCrawler，一般编辑器会提示你实现构造方法和重写visitAndGetNextLinks方法，然后需要创建一个main函数

　　（1）main函数，相当于爬虫的入口

　　　　① 新建一个爬虫

　　　　② 设定种子，即要爬取的URL

　　　　③ 可以设定爬取的线程数，crawler.setThreads(1); 可以并行爬行

　　　　④ 设定爬取的深度，crawler.start(10);

　　　　　关于深度，我的理解是，初始种子是第一层；如果在爬取的过程中不断的加入新的URL，通过第一层新加入的就算第二层；以此类推

　　　　　通常爬取的时候深度不好确认，最简单的办法就是设定个特别大的值

　　（2）visitAndGetNextLinks方法，页面解析

　　　　采用Jsoup的方法，对页面进行解析 http://www.open-open.com/jsoup/selector-syntax.htm

　　　　定义一个Model的对象，通过set的方式把数据存入model　　

　　　　再将Model存放到数据库中

　　（3）构造方法

　　　　关于构造方法，我目前的应用中基本没有修改，后续遇到再补充

　　（4）JdbcTemplate jdbcTemplate = JDBCBase.getInstance().getTemplete2();

　　　　这行代码，是数据库相关的配置

　　　　JDNCBase文件中的getTemplete2()，定义了连接哪个数据库

补充1：DAO

　　WebCollector本身融合了Spring框架（不知道这样说合不合理，本身对Java的框架理解不深），可以通过DAO的形式对数据进行存储。

package cn.edu.hfut.dmic.webcollector.example.myCrawler.test;

import cn.edu.hfut.dmic.webcollector.example.util.GenericDaoImpl;

import java.util.List;

public class DataVaryDao extends GenericDaoImpl<DataVaryModel,Long> {

    public DataVaryDao(){super(DataVaryModel.class);}

    public Long add(DataVaryModel model)
    {
        return insert(model);
    }

    public int updata(DataVaryModel model)
    {
        return this.update(model);
    }

    public List<DataVaryModel> getDataBySql(String sql, List<Object> values)
    {
        return this.selectBySqlList(sql, values);

    }

    @Override
    public long getCountBySqlList(String sql, List<Object> values) {
        return 0;
    }
}

dataList = dataDao.getDataBySql("select * from table where xmbm = ? and platform_id = ?", valueList);
            dataModelDB = dataList.get(0);
            
            dataVaryModel=new DataVaryModel();
            dataVaryModel.setData_id(dataModelDB.getId());
            dataVaryModel.setKtje(ktje);
            dataVaryModel.setXmzt(xmzt);
            dataVaryModel.setTzrc(tzrc);
            dataVaryModel.setCreate_date(new Timestamp(new Date().getTime()));
            dataVaryDao.add(dataVaryModel);

　　上面就是定义了一个简单的DAO类，这个类也继承自一个基类；然后通过调用DAO中的方法进行数据存储

　　当然DAO对数据的增删改查等需要自己后台实现

补充2：动态增加种子

　　爬取的一个常见情况，一边爬网页，一边将网页中的URL加入到爬取队列中。　　

Links links=new Links();
for(int i=0;i<length;i++){
                String temp=pre+elements1.get(i).attr("href");
                System.out.println(temp);
                System.out.println(elements1.get(i).text().trim());
                links.add(temp);
            }

return links;

　　在visitAndGetNextLinks方法中，定义一个Links类型的变量，将URL加入变量中，返回即可

　　如上述提及的爬取深度，爬出初始URL页面获取的links就是第二层，一颗树形的结构，随着抓取的增加，深度不断加深

补充3：不动态增加种子，但是爬取新页面

　　还有一种情况，在爬取的过程中得到了新的URL，但是不想放入对爬取队列，想当下就拿到上面的数据。

 String newUrl="http://www.xueshandai.com/invest/invest-record/"+xmbm;
            try {
                System.out.println(newUrl);
                String html = requester.getResponse(newUrl).getHtml("UTF-8");
                Pattern p = Pattern.compile("<div class=\"jtit3\">(.*?)</div>");
                Matcher m = p.matcher(html);
                System.out.println(m);
                if(m.find()){
                    System.out.println("------find---------");
                    String s=m.group().split("：")[3].split("<")[0];
                    System.out.println(s.substring(0,s.length()-1));
                    tzrc = Integer.parseInt(s.substring(0,s.length()-1));
                }
            } catch (Exception e) {
                e.printStackTrace();
            }

　　requester.getResponse(newUrl).getHtml("UTF-8");

　　通过这样一条语句，可以直接得到url的HTML，不过存储的是String类型，可以通过正则进行解析，获取需要的数据。

补充4：对不同种类的URL进行分门处理

　　可能抓取队列中存放着不同类型的URL，对每一种爬取方案是不同的。

　　高大上的方法：定义抽取器

　　简单方法：字符串匹配

　　 if(pageURL.contains("list")){}

　　else if (pageURL.contains("detail")){}

 

以上，就是目前遇到的一些情况，比较简单，还会再用两周。

后续内容：

　　（1）加代理（已经遇到封IP的情况了）、加头部文件

　　（2）抽取器

　　（3）解析Json文件、XML文件

　　（4）内部机制的学习调用