webmagic+Xpath实现简单爬取

webmagic是一个简单上手的爬虫框架,提供简单灵活的API,只需少量代码即可实现一个爬虫

一、引入jar包

        
            us.codecraft
            webmagic-core
            0.5.2
        
        
            us.codecraft
            webmagic-extension
            0.5.2
        

二、创建爬取类实现PageProcessor

@Component
@Scope("prototype")
public class JcFootballResultProcessor implements PageProcessor{  
    
    private Logger logger = LoggerFactory.getLogger(this.getClass());
    
    private Gson gson = new Gson();
    
    @Autowired
    private MatchResultMapper matchResultMapper;
    
    private Site site = Site.me().setSleepTime(1).setRetryTimes(3);  //爬取时间间隔和重试次数
    
    public static final String FOOTBALL_URL = "http://info\\.sporttery\\.cn/football/match_result\\.php\\?page=\\d"; 
    private static final String FOOTBALL_URL_REUSLT_INFO = "http://i.sporttery.cn/api/fb_match_info/get_pool_rs/?f_callback=pool_prcess&mid=";
    
    @Override  
    public Site getSite() {  
        return site;  
    }  
      
    @Override
    public void process(Page page) {
        Pattern pattern = Pattern.compile(FOOTBALL_URL);
        Matcher matcher = pattern.matcher(page.getUrl().toString());
        if(!matcher.matches()) {
            return;
        }
//获取从某个div后的所有tr的元素,自动转为一个集合
        List trSelectableList = page.getHtml().xpath("//div[@class=\"match_list\"]").xpath("//tr").nodes();
        
        for(Selectable trSelectable:trSelectableList) {//遍历集合,拿到集合里td元素里的html,又自动转为一个结合,进而可以获取自己需要的网站内容文字
            List contentList = trSelectable.xpath("//td/html()").all();
            if(contentList!=null && !contentList.isEmpty() && contentList.size()>10) {
                String date = contentList.get(0);
                String matchId = contentList.get(1);
                if(!contentList.get(9).equals("已完成") && !contentList.get(9).equals("取消")){
                    logger.error("赛事"+date+":"+matchId+"非完成/取消状态,跳过抓取");
                    continue;
                }
                String tmpid = getMatchUniqueId(matchId);
                String matchUniqueId = "FB" + DateUtil.calWeek(date,tmpid.substring(0, 1)) + tmpid;
  }
......//中间省略
  page.addTargetRequests(page.getHtml().links().regex(FOOTBALL_URL).all());//指定抓取html页面的符合此正则表达式的所有链接url
}

三、启动爬取程序

//注入上面的processor
Spider.create(jcFootballResultProcessor).addUrl(FOOTBALL_URL_RESULT).thread(1).run();//addUrl是定义从哪一个页面开始爬取

你可能感兴趣的:(webmagic+Xpath实现简单爬取)