webmagic项目实战爬小说网站

39次阅读

共计 6005 个字符，预计需要花费 16 分钟才能阅读完成。

项目背景

小说网站优书网（http://yousuu.com/bookstore/）提供的小说查询功能不是很强大，很多高级查询功能都没有，比如想要查询出评分在 8.0 以上并且标签包含‘仙侠’、字数超过 100 万字的小说列表，查询结果按评分倒序排序。为了解决这个痛点，我们把所有小说数据（包含小说名称、评分、简介、作者等信息）爬到本地来，然后导入 elasticsearch 中，最后就可以构建出任何我们想要的查询了。

项目实战

实现分析

观察上面两张截图，可以看到列表页除了简介信息，其他信息都有；所以我们的实现思路就是从列表页提取出小说名称、作者、字数、评分、状态、标签等信息，从详情页提取出简介信息。

代码实现

通过文章《webmagic 核心设计和运行机制分析》，我们已经知道在使用 WebMagic 框架时，因为每个页面的不同，所以必须要我们自己定制处理逻辑的组件是 PageProcessor（解析 html，提取目标数据）和 Pipeline（持久化目标数据）。

1. Spider：程序入口，爬虫启动类 
@Component
public class YousuuTask {

    private static final String SITE_CODE = "yousuu";

    private static final String URL = "http://www.yousuu.com/bookstore/?type&tag&countWord&status&update&sort&page=";

    public void doTask() {MySpider mySpider = MySpider.create(new YousuuProcessor());

        mySpider.setDownloader(new MyDownloader(SITE_CODE));
        mySpider.setScheduler(new RedisScheduler(SITE_CODE));
        mySpider.addPipeline(new YousuuPipeline());

        mySpider.thread(10);

        int totalPage = 8187;

        // 添加起始 url
        for(int i=1; i<=totalPage; i++) {Request request = new Request(URL + i);
            // 在 Request 额外信息中设置页面类型
            request.putExtra(YousuuProcessor.TYPE, YousuuProcessor.LIST_TYPE);
            mySpider.addRequest(request);
        }

        mySpider.run();}
}
2. PageProcessor：解析 html，提取目标数据 
public class YousuuProcessor implements PageProcessor {private Site site = Site.me().setRetryTimes(0).setSleepTime(2000).setTimeOut(60000);

    public static final String TYPE = "type";
    public static final String LIST_TYPE = "list";
    public static final String DETL_TYPE = "detl";

    @Override
    public void process(Page page) {
        // 从 Request 额外信息中取出页面类型，然后分别处理
        String type = page.getRequest().getExtra(TYPE).toString();

        switch (type) {
            case LIST_TYPE:
                processList(page);
                break;
            case DETL_TYPE:
                processDetl(page);
                break;
            default:
                break;
        }
    }

    /**
     * 处理列表页
     * @param page
     */
    private void processList(Page page) {Html html = page.getHtml();
        List<Selectable> bookInfoNodes = html.xpath("//div[@class=\"book-info\"]").nodes();

        List<Novel> novelList = new ArrayList<>();

        for(Selectable node : bookInfoNodes) {String novelName = node.xpath("/div/a/text()").toString();
            String novelUrl = node.xpath("/div/a/@href").toString();
            String id = novelUrl.substring(novelUrl.lastIndexOf("/") + 1);

            // 将详情页 url 添加到调度器
            Request detlRequest = new Request("http://www.yousuu.com/book/" + id);
            detlRequest.putExtra(TYPE, DETL_TYPE);
            page.addTargetRequest(detlRequest);


            // 子节点下标值从 1 开始
            String author = node.xpath("/div/p[1]/router-link/text()").toString();
            String wordNum = node.xpath("/div/p[1]/span[1]/text()").toString();
            String lastUpdateTime = node.xpath("/div/p[1]/span[2]/text()").toString();
            String status = node.xpath("/div/p[1]/span[3]/text()").toString();

            String scoreStr = node.xpath("/div/p[2]/text()").toString();
            scoreStr = scoreStr.substring("综合评分：".length());
            String[] split = scoreStr.split("\\(");
            Double score = Double.valueOf(split[0]);
            String scorePersonNumStr = split[1].substring(0, split[1].length() - 2);
            Integer scorePersonNum = Integer.valueOf(scorePersonNumStr);

            List<Selectable> tagNodes = node.xpath("/div/p[4]/label").nodes();
            StringBuffer tagBuff = new StringBuffer();
            for(Selectable tagNode : tagNodes) {String tag = tagNode.xpath("/label/text()").toString();
                tagBuff.append(tag + ",");
            }

            String tags = null;
            if(tagBuff.length() > 0) {tags = tagBuff.substring(0, tagBuff.length()-1);
            }

            Novel novel = new Novel();
            novel.setId(Long.valueOf(id));
            novel.setName(novelName);
            novel.setAuthor(author);
            novel.setWordNum(NumberUtil.getDoubleNumber(wordNum));
            novel.setLastUpdateTime(lastUpdateTime);
            novel.setStatus(status);
            novel.setScore(score);
            novel.setScorePersonNum(scorePersonNum);
            novel.setTags(tags);

            novelList.add(novel);
        }

        page.putField("novelList", novelList);
    }


    /**
     * 处理详情页
     * @param page
     */
    private void processDetl(Page page) {Html html = page.getHtml();
        List<Selectable> nodes = html.xpath("//body/*[1]").nodes();
        String script = nodes.get(1).toString();

        int pos1 = script.indexOf("introduction");
        int pos2 = script.indexOf("countWord");

        String intro = script.substring(pos1+15, pos2-3);

        String url = page.getRequest().getUrl();
        String id = url.substring(url.lastIndexOf("/") + 1);

        NovelDTO novelDTO = new NovelDTO(Long.valueOf(id), intro);
        page.putField("novelDTO", novelDTO);
    }


    @Override
    public Site getSite() {site.addHeader("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3");
        site.addHeader("Accept-Encoding", "gzip, deflate");
        site.addHeader("Accept-Language", "zh-CN,zh;q=0.9,en;q=0.8");
        site.addHeader("Cache-Control", "max-age=0");
        site.addHeader("Connection", "keep-alive");
        site.addHeader("Cookie", "Hm_lvt_42e120beff2c918501a12c0d39a4e067=1566530194,1566819135,1566819342,1566963215; Hm_lpvt_42e120beff2c918501a12c0d39a4e067=1566963215");
        site.addHeader("Host", "www.yousuu.com");
        site.addHeader("Upgrade-Insecure-Requests", "1");
        site.addHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36");

        return site;
    }
}

说明：通过 Request 额外信息传递类型值 type，来区分从 Scheduler 中拉取出来的 URL 对应页面类型，然后分别解析处理。

3. Pipeline: 持久化目标数据 
/**
 * 持久化小说数据
 */
public class YousuuPipeline implements Pipeline {private NovelMapper novelMapper = SpringContextUtil.getBean(NovelMapper.class);

    @Override
    public void process(ResultItems resultItems, Task task) {
        // 从列表页提取出除小说简介以外的所有信息，批量插入
        Object novelListObj = resultItems.get("novelList");
        if(null != novelListObj) {List<Novel> novelList = (List<Novel>) novelListObj;
            if(CollectionUtils.isNotEmpty(novelList)) {novelMapper.batchInsert(novelList);
            }
        }

        // 从详情页提取出小说简介信息，更新
        Object novelDTOObj = resultItems.get("novelDTO");
        if(null != novelDTOObj) {NovelDTO novelDTO = (NovelDTO) novelDTOObj;

            Novel novel = new Novel();
            BeanUtils.copyProperties(novelDTO, novel);
            novelMapper.updateByPrimaryKeySelective(novel);
        }
    }
}
4. 实体类 
@Data
public class Novel implements Serializable {
    /**
     * 小说 id, 自增
     */
    @Id
    private Long id;
    /**
     * 小说名称
     */
    private String name;
    /**
     * 小说作者
     */
    private String author;
    /**
     * 小说字数 (万字)
     */
    private Double wordNum;
    /**
     * 小说状态
     */
    private String status;
    /**
     * 小说评分
     */
    private Double score;
    /**
     * 评分人数
     */
    private Integer scorePersonNum;
    /**
     * 最后更新时间
     */
    private String lastUpdateTime;
    /**
     * 小说标签，以逗号, 分割
     */
    private String tags;
    /**
     * 小说简介
     */
    private String intro;
}
5. 测试程序 
@RunWith(SpringRunner.class)
@SpringBootTest
public class SpiderApplicationTests {
    @Autowired
    YousuuTask yousuuTask;

    @Test
    public void test() {yousuuTask.doTask();
    }
}

运行结果

构建查询

最后将数据库表中保存的小说数据导入到 es 中（程序源码地址会在本文最后给出），编写 DSL 构建出我们需要的查询。

源代码地址

spider：https://github.com/xiawq87/sp…

es：https://github.com/xiawq87/no…

正文完
webmagic
发表至： java
2019-09-27
 0
关于java:使用python调用别人得公钥进行加密数据
关于java:最新Java面试题常见面试题及答案汇总
关于java:通俗易懂的JUC源码剖析CyclicBarrier
关于java:java学习笔记8线程安全