项目中引入webMagic爬取一个网页

最新推荐文章于 2024-03-21 22:39:00 发布

20120623

最新推荐文章于 2024-03-21 22:39:00 发布

阅读量892

点赞数

CC 4.0 BY-SA版权

分类专栏： java web

本文链接：https://blog.youkuaiyun.com/weixin_39703170/article/details/78864016

java web 专栏收录该内容

8 篇文章

订阅专栏

本文介绍如何使用WebMagic框架进行网页爬取，并提供了一个具体的示例代码，展示如何抓取指定页面的数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

从http://webmagic.io/download.html下载的所有依赖jar包比较多，全部导入已有项目后容易出现冲突，可以只导入下面几个jar包
这里写图片描述
然后写一个公用的方法供调用

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

public class WebMagic implements PageProcessor {

    private Site site = Site.me().setRetryTimes(3).setSleepTime(100);
    private static String issue;
    private static String jczq;


    @Override
    public void process(Page page) {
         page.putField("content",page.getHtml().xpath("//span[@id='bet_period']/text()").toString());
         if (page.getResultItems().get("content")==null){
             //skip this page
             page.setSkip(true);
         }
         //获得所需的内容
       issue = page.getHtml().xpath("//span[@id='bet_period']/text()").toString();
       //div[@class='dataBody  unAttention']/dl/dt/text()
       //表示类名为dataBody  unAttention的div元素下的dl元素下的dt元素的文本内容
       jczq = page.getHtml().xpath("//div[@class='dataBody  unAttention']/dl/dt/text()").toString() 
               + page.getHtml().xpath("//div[@class='dataBody  unAttention']/dl/dt/span/text()").toString();
    }

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

    public static String issue(String url) {
         Spider.create(new WebMagic()).addUrl(url)
         .addPipeline(new ConsolePipeline()).thread(5).run();
         return issue;
    }
    public static String jczq(String url) {
     Spider.create(new WebMagic()).addUrl(url)
        .addPipeline(new ConsolePipeline()).thread(5).run();
     return jczq;
   }
}

在其他类中中通过

String issue = WebMagic.issue("http://caipiao.163.com/order/dlt/");
String jczq = WebMagic.jczq("http://caipiao.163.com/order/preBet_jczqspfmixp.html");

可调用爬虫，得到爬取的值