【示例】WebMagic (网络爬虫 java 教程收藏）

最新推荐文章于 2025-04-08 15:54:06 发布

ACTIM__

最新推荐文章于 2025-04-08 15:54:06 发布

阅读量321

点赞数

分类专栏：转载爬虫文章标签：爬虫 java

本文链接：https://blog.youkuaiyun.com/Activity_Time/article/details/96769624

版权

转载同时被 2 个专栏收录

40 篇文章

订阅专栏

爬虫

1 篇文章

订阅专栏

本文介绍了一个使用WebMagic实现的豆瓣电影爬虫示例。该爬虫能够抓取指定电影页面的信息，如电影名称和简介，并将数据保存为JSON文件。通过本教程，读者可以了解到如何设置爬虫参数、解析网页内容及抓取更多链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

WebMagic（使用教程博客 fendo）：https://blog.youkuaiyun.com/u011781521/article/category/6489266

WebMagic 官网：http://webmagic.io/

使用示例：

package top.actim.spider.processer;

import com.sun.deploy.config.DefaultConfig;
import top.actim.spider.config.MyDefaultConfig;
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.pipeline.JsonFilePipeline;
import us.codecraft.webmagic.processor.PageProcessor;

public class DouBanUltraPageProcessor 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
        page.putField("name", page.getHtml().xpath("//span[@property=\"v:itemreviewed\"]/text()").toString());
        page.putField("summary", page.getHtml().xpath("//span[@property=\"v:summary\"]/text()").toString());

        // 部分三：从页面发现后续的url地址来抓取
        // page.addTargetRequests(page.getHtml().links().regex("(https://github\\.com/[\\w\\-]+/[\\w\\-]+)").all());
    }

    @Override
    public Site getSite() {
        return site;
    }

    public static void main(String[] args) {

        Spider.create(new DouBanUltraPageProcessor())
                //从"https://"开始抓
                .addUrl("https://movie.douban.com/subject/3929463/")
                //用json保存到json文件
                .addPipeline(new JsonFilePipeline(MyDefaultConfig.cachePath))
                //开启5个线程抓取
                .thread(5)
                //启动爬虫
                .run();
    }
}