web magic

最新推荐文章于 2024-09-18 07:45:00 发布

原创最新推荐文章于 2024-09-18 07:45:00 发布 · 1.1k 阅读

0 ·

CC 4.0 BY-SA版权

个人笔记同时被 2 个专栏收录

25 篇文章

订阅专栏

爬虫

1 篇文章

订阅专栏

本文介绍了如何实现Web爬虫的断点续抓功能。通过使用urls.txt文件记录待抓取URL，并利用cursor.txt跟踪处理进度，确保在爬虫中断后能从上次停止的位置继续。在多线程环境下，根据线程数和上次断点位置确定继续抓取的URL范围。

目标url：例子

package com.spider.test;

import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;

public class chinataxProcessor implements PageProcessor {

    private Site site;

    public chinataxProcessor() {
        this.site = Site.me().setRetryTimes(3).setSleepTime(1000).setUseGzip(true);
    }

    @Override
    public void process(Page page) {
        //获取年份
        page.putField("year", page.getHtml().xpath("//select[@class='sv_fgk_input']/option/text()").replace("年度", "").all());

        page.putField("areaSample", page.getHtml().xpath("//td[@class='sv_hei']/a/@onclick"));
        //获取地区码
        page.putField(
                "areaCode",
                page.getHtml().xpath("//td[@class='sv_hei']/a/@onclick").replace("changeParam", "").replace("\\('taxCode',", "").replace("\\)", "")
                        .replace("'", "").all());

        //获取末尾页码
        page.putField("end", page.getHtml().xpath("//td/a[@title='末页']/@onclick").replace("changeParam", "").replace("\\('cPage',", "").replace("\\)", "")
                .replace("'", ""));

        //获取查询结果
        page.putField("result", page.getHtml().xpath("//td[@class='sv_hei']/table/tbody/tr/td[@bgcolor='#F0F0F0']/text()").all());

        page.putField("title", page.getHtml().xpath("//title"));
        // page.putField("html", page.getHtml().toString());

    }


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

    public static void main(String[] args) {
        Spider.create(new chinataxProcessor())
        // 从"https://github.com/code4craft"开始抓
                .addUrl("http://hd.chinatax.gov.cn/fagui/action/InitCredit.do?articleField03=2015&taxCode=110000&randCode=jovd8967&flag=1&cPage=3")
                // 开启5个线程抓取
                .thread(5)
                // 启动爬虫
                .run();
    }
}

考虑断点续抓

String fileCachePath = "/data/webmagic/"+this.getClass().getName();
        Spider.create(new ChinataxPayerProcessor())
                .addPipeline(new ConsolePipeline()).addPipeline(new ChinataxPayerPipeline())
                .scheduler(new FileCacheQueueScheduler(fileCachePath))
                .addUrl(URLDefine.CHINA_TAXPAYER_URL)
                .thread(5)
                .run();