Spiderman Java开源垂直爬虫抓取示例【需求小复杂】

强颜欢笑 提交于 2020-05-08 04:22:08

首先要说明的是,本文仅介绍了Spiderman解析 XML 的示例,Spiderman解析 HTML  也是差不多的原理,不过更考验“爬虫”的能力。

这个以后再发篇文章详细说明 【 已经有了请点击这里】:) 在Github的spiderman-sample项目里面有好几个案例,可以跑跑看。

这是Spiderman链接: http://www.oschina.net/p/spiderman

1.Spiderman是一个垂直领域的爬虫,可用于抓取特定目标网页的内容,并且解析为所需要的业务数据,整个过程追求无需任何编码就能实现,这样带来的好处是部署简单,并且网页内容变化可以灵活应对。

2.本文演示所抓取的目标URL是:http://www.alldealsasia.com/feeds/xml 这是一个XML文件,提供了该网站所有活动的Deal
3.怎么用Git+Maven搭建Spiderman使用这里就不详细说明了
4.直接看效果

  • 这是目标网页【一个xml页面】

  • 为了完成以上的目标,需要配置一个xml文件让Spiderman根据目标执行

  • 最后来看看抓取之后的结果数据,我是在回调方法里面写入文件的:
    // 初始化蜘蛛
    Spiderman.init(new SpiderListener() {
        public void onNewUrls(Thread thread, Task task, Collection<String> newUrls) {}
        public void onDupRemoval(Thread currentThread, Task task, Collection<Task> validTasks) {}
        public void onNewTasks(Thread thread, Task task, Collection<Task> newTasks) {}
        public void onTargetPage(Thread thread, Task task, Page page) {}
        public void onInfo(Thread thread, String info) {}
        public void onError(Thread thread, String err, Exception e) {
            e.printStackTrace();
        }
        public void onParse(Thread thread, Task task, List<Map<String, Object>> models, int count) {
            String content = CommonUtil.toJson(models);
            try {
                FileUtil.writeFile(new File("d:/jsons/spiderman-result-"+count+".json"), content);
            } catch (Exception e) {
                e.printStackTrace();
            }
        }
        public void onPojo(Thread thread, List<Object> pojo, int count){}
    });
    
    // 启动蜘蛛
    Spiderman.start();
    		
    //运行30s
    Thread.sleep(CommonUtil.toSeconds("30s").longValue()*1000);
    		
    // 关闭蜘蛛
    Spiderman.stop();
    打开文件并且把文件内容进行json格式化:



待续...

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!