基于WebMagic写的一个csdn博客小爬虫

最新推荐文章于 2025-09-10 11:30:58 发布

weixin_34319999

最新推荐文章于 2025-09-10 11:30:58 发布

阅读量58

点赞数

CC 4.0 BY-SA版权

文章标签：爬虫数据库 java

原文链接：https://my.oschina.net/gibbons/blog/1531336

2019独角兽企业重金招聘Python工程师标准>>>

暂时还想不到有什么数据值得爬取，先拿csdn博客来练练手。
小爬虫能抓取指定用户的所有文章的关键信息，包括文章id，标题，标签，分类，阅读人数，评论人数，是否原创。并且把数据保存到数据库中。

数据库表的设计及sql

数据库表的设计

CREATE TABLE `jrbac_csdnblog` (
`key` int(11) unsigned NOT NULL AUTO_INCREMENT,
`id` int(11) unsigned NOT NULL,
`title` varchar(255) NOT NULL,
`date` varchar(16) DEFAULT NULL,
`tags` varchar(255) DEFAULT NULL,
`category` varchar(255) DEFAULT NULL,
`view` int(11) unsigned DEFAULT NULL,
`comments` int(11) unsigned DEFAULT NULL,
`copyright` int(1) unsigned DEFAULT NULL,
PRIMARY KEY (`key`)
) ENGINE=InnoDB AUTO_INCREMENT=0 DEFAULT CHARSET=utf8 COMMENT='网络爬虫数据表';

Processor是爬虫逻辑，程序的核心

package com.jrbac.webmagic;

import java.util.List;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;

/**
* 优快云博客爬虫
*
* @describe 可以爬取指定用户的csdn博客所有文章，并保存到数据库中。
* @date 2016-4-30
* @author steven
* @csdn qq598535550
* @website lyf.soecode.com
*/
public class CsdnBlogPageProcessor implements PageProcessor {
private static String username = "qq598535550"; // 设置csdn用户名
private static int size = 0; // 共抓取到的文章数量
// 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
public Site getSite() {
return site;
}

@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) {
// 列表页
if (!page.getUrl().regex("http://blog\\.csdn\\.net/" + username + "/article/details/\\d+").match()) {
// 添加所有文章页
page.addTargetRequests(page.getHtml().xpath("//div[@id='article_list']").links()// 限定文章列表获取区域
.regex("/" + username + "/article/details/\\d+").replace("/" + username + "/", "http://blog.youkuaiyun.com/" + username + "/")// 巧用替换给把相对url转换成绝对url
.all());
// 添加其他列表页
page.addTargetRequests(page.getHtml().xpath("//div[@id='papelist']").links()// 限定其他列表页获取区域
.regex("/" + username + "/article/list/\\d+").replace("/" + username + "/", "http://blog.youkuaiyun.com/" + username + "/")// 巧用替换给把相对url转换成绝对url
.all());
// 文章页
}
else {
size++;// 文章数量加1
// 用CsdnBlog类来存抓取到的数据，方便存入数据库
CsdnBlog csdnBlog = new CsdnBlog();
// 设置编号
csdnBlog.setId(Integer.parseInt(page.getUrl().regex("http://blog\\.csdn\\.net/" + username + "/article/details/(\\d+)").get()));
// 设置标题
csdnBlog.setTitle(page.getHtml().xpath("//div[@class='article_title']//span[@class='link_title']/a/text()").get());
// 设置日期
csdnBlog.setDate(page.getHtml().xpath("//div[@class='article_r']/span[@class='link_postdate']/text()").get());
// 设置标签（可以有多个，用,来分割）
csdnBlog.setTags(listToString(page.getHtml().xpath("//div[@class='article_l']/span[@class='link_categories']/a/allText()").all()));
// 设置类别（可以有多个，用,来分割）
csdnBlog.setCategory(listToString(page.getHtml().xpath("//div[@class='category_r']/label/span/text()").all()));
// 设置阅读人数
csdnBlog.setView(Integer.parseInt(page.getHtml().xpath("//div[@class='article_r']/span[@class='link_view']").regex("(\\d+)人阅读").get()));
// 设置评论人数
csdnBlog.setComments(Integer.parseInt(page.getHtml().xpath("//div[@class='article_r']/span[@class='link_comments']").regex("\\((\\d+)\\)").get()));
// 设置是否原创
csdnBlog.setCopyright(page.getHtml().regex("bog_copyright").match() ? 1 : 0);
// 把对象存入数据库
new CsdnBlogDao().add(csdnBlog);
// 把对象输出控制台
System.out.println(csdnBlog);
}
}

// 把list转换为string，用,分割
public static String listToString(List<String> stringList) {
if (stringList == null) {
return null;
}
StringBuilder result = new StringBuilder();
boolean flag = false;
for (String string : stringList) {
if (flag) {
result.append(",");
}
else {
flag = true;
}
result.append(string);
}
return result.toString();
}

public static void main(String[] args) {
long startTime, endTime;
System.out.println("【爬虫开始】请耐心等待一大波数据到你碗里来...");
startTime = System.currentTimeMillis();
// 从用户博客首页开始抓，开启5个线程，启动爬虫
Spider.create(new CsdnBlogPageProcessor()).addUrl("http://blog.youkuaiyun.com/" + username).thread(5).run();
endTime = System.currentTimeMillis();
System.out.println("【爬虫结束】共抓取" + size + "篇文章，耗时约" + ((endTime - startTime) / 1000) + "秒，已保存到数据库，请查收！");
}
}

CsdnBlog实体类对应数据库的表
PS：之前发的那个在实体类上有注解，那种是另外的实现方式，现在已经把注解删掉了，这里是不需要的！

package com.jrbac.webmagic;

public class CsdnBlog {
private int id; // 编号
private String title; // 标题
private String date; // 日期
private String tags; // 标签
private String category; // 分类
private int view; // 阅读人数
private int comments; // 评论人数
private int copyright;// 是否原创

public int getId() {
return id;
}

public void setId(int id) {
this.id = id;
}

public String getTitle() {
return title;
}

public void setTitle(String title) {
this.title = title;
}

public String getDate() {
return date;
}

public void setDate(String date) {
this.date = date;
}

public String getTags() {
return tags;
}

public void setTags(String tags) {
this.tags = tags;
}

public String getCategory() {
return category;
}

public void setCategory(String category) {
this.category = category;
}

public int getView() {
return view;
}

public void setView(int view) {
this.view = view;
}

public int getComments() {
return comments;
}

public void setComments(int comments) {
this.comments = comments;
}

public int getCopyright() {
return copyright;
}

public void setCopyright(int copyright) {
this.copyright = copyright;
}

@Override
public String toString() {
return "CsdnBlog [id=" + id + ", title=" + title + ", date=" + date + ", tags=" + tags + ", category=" + category + ", view=" + view + ", comments=" + comments + ", copyright=" + copyright + "]";
}
}

dao数据访问层
只有一个添加方法

package com.jrbac.webmagic;

import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.PreparedStatement;
import java.sql.SQLException;
import java.sql.Statement;

public class CsdnBlogDao {
private Connection conn = null;
private Statement stmt = null;

public CsdnBlogDao() {
try {
Class.forName("com.mysql.jdbc.Driver");
String url = "jdbc:mysql://127.0.0.1:3306/jrbac?user=root&password=root";
conn = DriverManager.getConnection(url);
stmt = conn.createStatement();
} catch (ClassNotFoundException e) {
e.printStackTrace();
} catch (SQLException e) {
e.printStackTrace();
}
}

public int add(CsdnBlog csdnBlog) {
try {
String sql = "INSERT INTO `jrbac`.`jrbac_csdnblog` (`id`, `title`, `date`, `tags`, `category`, `view`, `comments`, `copyright`) VALUES (?, ?, ?, ?, ?, ?, ?, ?);";
PreparedStatement ps = conn.prepareStatement(sql);
ps.setInt(1, csdnBlog.getId());
ps.setString(2, csdnBlog.getTitle());
ps.setString(3, csdnBlog.getDate());
ps.setString(4, csdnBlog.getTags());
ps.setString(5, csdnBlog.getCategory());
ps.setInt(6, csdnBlog.getView());
ps.setInt(7, csdnBlog.getComments());
ps.setInt(8, csdnBlog.getCopyright());
return ps.executeUpdate();
} catch (SQLException e) {
e.printStackTrace();
}
return -1;
}
}